【数据挖掘】十大经典数据挖掘算法的R语言实践（一）

陆勤

十大经典数据挖掘算法是那些？

民间流传，学习和应用数据挖掘算法，就从这十大经典数据挖掘算法入手，若是把这top 10 算法吃透了，数据挖掘也就有了根基了。我甚是赞同此种说法，并且经典的东西，美好的东西，需要优先学习、研究和实践。

数据挖掘十大经典算法可以分为以下情况。

1 与分类相关的算法：C4.5, CART, 朴素贝叶斯， K近邻， 支持向量， 最大期望, AdaBoost

2 与聚类相关的算法：K均值

3 与关联规则相关的算法：Apriori

4与搜索引擎相关的算法：PageRank

关于这些算法的原理和思想，每本数据挖掘方面的书籍都会有介绍，推荐两本数据挖掘经典书籍《数据挖掘导论》 和《数据挖掘：概念与技术》。

本文介绍C4.5这个分类算法如何在R语言中使用。这些算法能够用R语言方便的用起来，这要得益于包含这些算法R包和感谢设计与实现这些算法的R贡献者们。

做数据挖掘，需要数据，我们用iris数据集，简单，典型的分类数据集，便于我么解释。

iris数据集

help(iris)

head(iris)

C4.5算法的R语言实践

C5.0算法是C4.5算法的延续和升级，SPSS Modeler建模选项卡中也提供这种算法。在此，我们用R语言中的C50包所提供的C5.0函数实现C5.0算法。

第一步：加载相应包

library(C50)

## Warning: package 'C50' was built under R version 3.1.3

library(printr)

温馨提示：若是没有安装上述包，请在加载前，先安装这些包。

第二步：把iris数据集分为训练集和测试集，按着2:1划分，即训练集100个，测试集50个

train.indeces <- sample(1:nrow(iris), 100)

iris.train <- iris[train.indeces, ]

iris.test <- iris[-train.indeces, ]

第三步：构建C5.0算法模型

model.C5.0 <- C5.0(Species ~ ., data = iris.train)

第四步：交叉验证，使用测试数据集测试模型

results.C5.0 <- predict(object = model.C5.0, newdata = iris.test, type = "class")

第五步：生成混淆矩阵

table(results.C5.0, iris.test$Species)

C4.5 算法的原理

C4.5算法是数据挖掘算法中的一种分类决策树算法,其核心算法是ID3 算法. C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：

1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；

2) 在树构造过程中进行剪枝；

3) 能够完成对连续属性的离散化处理；

4) 能够对不完整数据进行处理。

C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。

参考资料

1 《数据挖掘导论》和《数据挖掘：概念与技术》

2 数据挖掘十大经典算法（详解）

3 Top 10 data mining algorithms in plain R

中国数据人QQ群：290937046，使命：让更多人懂数据、用数据。陆勤微信：luqin360 ,多交流。