分類アルゴリズム：C4.5、ナイーブベイズ、SVM、KNN、Adaboost、CARTL。クラスタリングアルゴリズム：K-Means、EM1。アソシエーション分析：アプリリル。接続分析：PageRank
記事のディレクトリ
序文
国際的な権威ある学術組織であるICDM（IEEE International Conference on Data Mining）は、10の古典的なアルゴリズムを選択しました。さまざまな目的に応じて、これらのアルゴリズムを4つのカテゴリに分類できます。
分類アルゴリズム：C4.5、ナイーブベイズ（ナイーブベイズ）、SVM、KNN、Adaboost、CARTL
クラスタリングアルゴリズム：K-Means、EML
関連分析：Aprili
接続分析：PageRank
1つ、C4.5アルゴリズム
C4.5はデシジョンツリーアルゴリズムであり、デシジョンツリーの構築中にブランチを創造的に剪定し、不完全なデータだけでなく連続的な属性も処理できます。これは、決定木分類における画期的なアルゴリズムであると言えます。
2、SVMアルゴリズム
SVMは、中国語ではサポートベクターマシン、英語ではサポートベクターマシン、または略してSVMと呼ばれます。SVMは、トレーニング中に超平面分類モデルを確立します。
3、KNNアルゴリズム
KNNはK最近傍アルゴリズムとも呼ばれ、英語はK最近傍アルゴリズムです。いわゆるK最近傍とは、各サンプルをK最近傍で表すことができることを意味します。サンプル、そのK最近傍がカテゴリAに属する場合、このサンプルもカテゴリAに属します。
4、AdaBoostアルゴリズム
Adaboostは、トレーニング中に共同分類モデルを確立しました。ブーストは英語でブーストを意味するため、Adaboostは分類器を構築するためのブーストアルゴリズムです。これにより、複数の弱い分類器から強い分類器を形成できるため、Adaboostも一般的に使用される分類アルゴリズムです。
5、CARTアルゴリズム
CARTはClassificationand Regression Treesの略で、英語はClassification and RegressionTreesです。2つのツリーを構築します。1つは分類ツリーで、もう1つは回帰ツリーです。C4.5と同様に、これは決定木学習方法です。
6、Aprioriアルゴリズム
Aprioriは、マイニングアソシエーションルールのアルゴリズムであり、頻繁なアイテムセット（頻繁なアイテムセット）を使用してアイテム間の関係を明らかにし、ビジネスマイニングやネットワークセキュリティで広く使用されています。頻繁なアイテムセットとは、一緒に表示されることが多いアイテムのコレクションを指し、相関ルールは、2つのアイテム間に強い関係がある可能性があることを意味します。
7つのK-Meansアルゴリズム
K-Meansアルゴリズムは、クラスタリングアルゴリズムです。オブジェクトをK個のカテゴリに分類したいと思います。このカテゴリのコアである「中心点」が各カテゴリにあると想定します。これで、分類する新しいポイントができました。この時点では、この新しいポイントとK個の中心点の間の距離と、どの中心点がどのカテゴリに近いかを計算するだけで済みます。
8.ナイーブベイズアルゴリズム
単純ベイズモデルは確率論の原理に基づいており、その考え方は次のとおりです。特定の未知のオブジェクトを分類するには、未知のオブジェクトが出現するという条件の下で、各カテゴリの確率を解く必要があります。最大、この未知のオブジェクトがどのカテゴリに属するかを考えてください。
9つのEMアルゴリズム
EMアルゴリズムは、最大期待アルゴリズムとも呼ばれ、パラメーターの最尤推定を取得する方法です。原理は次のとおりです。開始状態ではどちらも不明なパラメーターAとパラメーターBを評価し、Aの情報を知っているとBの情報を取得でき、逆にBを知っているとAを取得するとします。最初にAに初期値を与えてBの推定値を取得し、次にBの推定値から始めて、Aの値を再推定することを検討できます。このプロセスは、収束するまで続きます。EMアルゴリズムは、クラスタリングや機械学習の分野でよく使用されます。
10、PageRankアルゴリズム
PageRankは、紙の影響力の計算方法に端を発しています。文学理論を何度も導入すると、紙の影響力が強くなることを意味します。同様に、PageRankは、GoogleによるWebページの重みの計算に創造的に適用されました。ページにリンクされているページが多いほど、ページの「参照」が多くなり、このページがリンクされる頻度が高いほど、そのページは次のようになります。引用数が多いほど。この原則に基づいて、ウェブサイトの重量区分を取得できます。
次に、手順を使用します
1.ライブラリを紹介します
コードは次のとおりです（例）：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
2.データを読み込みます
コードは次のとおりです（例）：
data = pd.read_csv(
'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())
ここで使用されるURLネットワークによって要求されたデータ。
総括する
ヒント：記事の概要は次の
とおりです。たとえば、上記は本日お話しする内容です。この記事では、パンダの使用法について簡単に紹介します。パンダには、処理を可能にする多数の関数とメソッドが用意されています。データをすばやく便利に。