数据挖掘有哪些算法

1、分类（预测离散值输出）：首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。——判断肿瘤良性/恶性

      分类算法：决策树、逻辑回归、贝叶斯分类

2、聚类（Clustering）将数据分组成为多个集群（Cluster），在同一个集群内的对象之间具有较高的相似度，不同类之间的对象差别较大。聚类分析要解决的问题是将数据分成内部高内聚，外部低耦合的集合，这样对相似的事物进行分析就会更有针对性。——市场划分；社交网络分析；天文数据分析；

      聚类算法：

l  划分法（K-means算法、K-methods算法、CLARANS算法）；

l  层次法（BIRCH算法、CURE算法、CHAMELEON算法等）

3、预测：将已有数据和模型用于对未知变量的预言，目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道语言准确性是多少。

      预测算法：

l  回归分析（预测连续值输出：简单线性回归、多元线性回归、非线性回归）——房价预测；

l  时间序列分析

4、关联：关联规则（Association Rules）反映一个事物与其他事物之间的相互依存性和关联性。如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物能够通过其他事物预测到。关联分析要解决的问题是通过算法找出隐含在数据中的关联，比如买尿布的人大部分也买啤酒，买啤酒的人大部分也买花生米，有了关联就可以做针对性的广告或者商业分析（医生对患者病情分析）

      定义：支持度；关联规则；置信度

！！分类与聚类区别：分类属于监督学习，即基于训练集对数据进行预测，训练集中的每个数据都有正确答案。而聚类属于非监督学习，即只给出数据集，没有其他特征信息，需要我们从数据中找到某种结构或特征。