它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。
它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。
（三）Supportvectormachines
支持向量机，英文为SupportVectorMachine，简称SV机（论文中一般简称SVM）。
它是一种監督式學習的方法，它广泛的应用于统计分类以及回归分析中。
支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。
在分开数据的超平面的两边建有两个互相平行的超平面。
分隔超平面使两个平行超平面的距离最大化。
假定平行超平面间的距离或差距越大，分类器的总误差越小。
一个极好的指南是C.J.CBurges的《模式识别支持向量机指南》。
vanderWalt和Barnard将支持向量机和其他分类器进行了比较。
（四）TheApriorialgorithm
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。
其核心是基于两阶段频集思想的递推算法。
该关联规则在分类上属于单维、单层、布尔关联规则。
在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。
（五）最大期望（EM）算法
在统计计算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（LatentVariabl）。
最大期望经常用在机器学习和计算机视觉的数据集聚（DataClustering）领域。
（六）PageRank
PageRank是Google算法的重要内容。
2001年9月被授予美国专利，专利人是Google创始人之一拉里·佩奇（LarryPage）。
因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。
PageRank根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值。
PageRank背后的概念是，每个到页面的链接都是对该页面的一次投票，被链接的越多，就意味着被其他网站投票越多。
这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩。
PageRank这个概念引自学术中一篇论文的被引述的频度——即被别人引述的次数越多，一般判断这篇论文的权威性就越高。
（七）AdaBoost
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。
其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。
将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。
（八）kNN:
k-nearestneighborclassification
K最近邻（k-NearestNeighbor，KNN）分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。
该方法的思路是：
如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。
（九）NaiveBayes
在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型（DecisionTreeModel）和朴素贝叶斯模型（NaiveBayesianModel，NBC）。
朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。
同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。
理论上，NBC模型与其他分类方法相比具有最小的误差率。
但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。
在属性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决策树模型。
而在属性相关性较小时，NBC模型的性能最为良好。
（十）CART:
分类与回归树
CART,ClassificationandRegressionTrees。
在分类树下面有两个关键的思想。
第一个是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝。
二、数据挖掘经典案例
当前，市场竞争异常激烈，各商家企业为了能在竞争中占据优势，费劲心思。
使用过OLAP技术的企业都知道，OLAP技术能给企业带来新的生机和活力。
OLAP技术把企业大量的数据变成了客户需要的信息，把这些信息变成了价值，提高了企业的产值和效益，增强了客户自身的竞争实力。
“啤酒与尿布”的故事家喻户晓，在IT界里，几乎是数据挖掘的代名词，那么各商家企业受了多少启发，数据挖掘又给他们带来了多少价值呢？
客户需求
客户面对大量的信息，用OLAP进行多维分析。
如：
一个网上书店，用OLAP技术可以浏览到什么时间，那个类别的客户买了多少书等信息，如果想动态的获得深层次的信息，比如：
哪些书籍可以打包推荐，哪些书籍可以在销售中关联推出等等，就要用到数据挖掘技术了。
当客户在使用OLAＰ技术进行数据的多维分析的时候，联想到“啤酒与尿布”的故事，客户不禁会有疑问，能不能通过数据挖掘来对数据进行深层次的分析呢，能不能将数据挖掘和OLAP结合起来进行分析呢？
SQLServer2005数据挖掘：
SQLServer2005的DataMining是SQLServer2005分析服务（AnalysisServices）中的一部分。
数据挖掘通常被称为“从大型数据库提取有效、可信和可行信息的过程”。
换言之，数据挖掘派生数据中存在的模式和趋势。
这些模式和趋势可以被收集在一起并定义为挖掘模型。
挖掘模型可以应用于特定的业务方案，例如：
预测销售额、向特定客户发送邮件、确定可能需要搭售的产品、查找客户将产品放入购物车的顺序序列。
Microsoft决策树算法、MicrosoftNaiveBayes算法、Microsoft聚类分析算法、Microsoft神经网络算法（SSAS），可以预测离散属性，例如，预测目标邮件活动的收件人是否会购买某个产品。
Microsoft决策树算法、Microsoft时序算法可以预测连续属性，预测连续属性，例如，预测下一年的销量。
Microsoft顺序分析和聚类分析算法预测顺序，例如，执行公司网站的点击流分析。
Microsoft关联算法、Microsoft决策树算法查找交易中的常见项的组，例如，使用市场篮分析来建议客户购买其他产品。
Microsoft聚类分析算法、Microsoft顺序分析和聚类分析算法，查找相似项的组，例如，将人口统计数据分割为组以便更好地理解属性之间的关系。
巅峰之旅之案例一：
网上书店关联销售
提出问题
网上书店现在有了很强的市场和比较固定的大量的客户。
为了促进网上书店的销售量的增长，各网上书店采取了各种方式，给客户提供更多更丰富的书籍，提供更优质服务，等方式吸引更多的读者。
是不是这样就够了呢？
这里，给众多网上书店的商家们提供一种非常好的促进销售量增长，吸引读者的方法，就是关联销售分析。
这种方法就是给客户提供其他的相关书籍，也就是在客户购买了一种书籍之后，推荐给客户其他的相关的书籍。
这种措施的运用给他们带来了可观的效益。
首先必须明确的是，这里介绍的关联销售并不是，根据网上书店的销售记录进行的比例统计，也区别于简单的概率分析统计，是用的关联规则算法。
“啤酒和尿布”的故事足以证明了该算法的强大功能和产生的震撼效果。
那么，怎么来实现这样一个效果呢？
解决步骤
首先，我们有数据源，也就是销售记录。
这里我们做数据挖掘模型，要用到两张表，一张表是我们的会员，用会员ID号来代替；另一张表是我们那个会员买了什么书。
我们应用SQLServer2005的DataMining工具，建立数据挖掘模型。
具体步骤如下：
第一步：
定义数据源。
选取的为网上书店的销售记录数据源（最主要的是User表和Sales表）。
第二步：
定义数据源视图。
在此我们要建立好数据挖掘中事例表和嵌套表，并定义两者之间的关系，定义User为事例表（CaseTable），Sales为嵌套表（NestedTable）。
第三步：
选取MicrosoftAssociationRules（关联规则）算法，建立挖掘模型。
第四步、设置算法参数，部署挖掘模型。
第五步、浏览察看挖掘模型。
对于关联规则算法来说，三个查看的选项卡。
A：
项集：
“项集”选项卡显示被模型识别为经常发现一起出现的项集的列表。
在这里指的是经过关联规则算法处理后，发现关联在一起的书籍的集合。
B：
规则：
“规则”选项卡显示关联算法发现的规则。
“规则”选项卡包含一个具有以下列的网格：
“概率”、“重要性”和“规则”。
概率说明出现规则结果的可能性。
重要性用于度量规则的用途。
尽管规则出现的概率可能很高，但规则自身的用途可能并不重要。
重要性列就是说明这一情况的。
例如，如果每个项集都包含属性的某个特定状态，那么，即使概率非常高，预测状态的规则也并不重要。
重要性越高，规则越重要。
C：
关联网络：
节点间的箭头代表项之间有关联。
箭头的方向表示按照算法发现的规则确定的项之间的关联。
效果展示
1、我们可以看到在上图中，绿色的是我们选择的节点，橙色的是可以预测所选节点的节点，也就是说如果消费者买了《月光宝盒（2VCD）》的话，那么我们可以给该消费者推荐《乱世佳人（上集，2VCD）》。
紫色的是和所选节点能够双向预测的，即买了《大圣娶亲》，推荐《乱世佳人（上集，2VCD）》；同样，买了《乱世佳人（上集，2VCD）》，推荐《大圣娶亲》。
这样我们就很容易看到经过关联算法计算出来的书籍之间的关联性。
如图３所示效果。
2、我们也可以通过写DMX语句来实现预测查询。
SELECTPredictAssociation（[User].[Sales],include_statistics,10）
From
[User]
NATURALPREDICTIONJOIN
（SELECT（SELECT'月光宝盒（2VCD）'AS[BookName]）AS[Sales]）ASt
巅峰之旅之案例二：
客户类别销售分析
这个案例的前提是我们已经建立好了一个ＯＬＡＰ的多维数据库Sales，事实表为FactInternetSales，有五个维度，分别是DimCurrency，DimCustomer，DimProduct，DimTime，DimPromotion。
提出问题
利用OLAP建立的多维数据库Sales，我们可以实现多角度的浏览和分析。
例如：
我们可以分析2004年第一季度的M生产线产品的销售量情况，还可以实现灵活的交叉分析，等等。
但是，如果我们要分析，某个维度的多个属性的综合的销售量，例如：
客户维度里有BirthDate、EnglishEducation、HouseOwnerFlag、NumberCarsOwned、YearlyIncome等属性，在多维数据库里面分析的时候，
我们可以把客户维度的NumberCarsOwned属性放在展示区域的行上，把度量值OrderQuantity放在列上，查看拥有0-4辆汽车的客户的订购所有产品的数量。
同样，我们也可以类似的查看其他属性的情况。
但是，如果我们要把客户维度的某些属性综合考虑来分类，例如：
我们要把高收入、高学历、高消费的客户作为一个群体，把高收入，低学历、高消费的客户作为一个群体，等等，然后，基于这些群体来浏览分析，销售情况，如何来实现呢？
解决步骤
用过聚类算法的大概比较清楚，聚类算法，是用来给事物分类的。
那么怎么用聚类算法的这个特性，和OLAP进行正和呢。
请看下面这个案例：
第一步：
建立挖掘模型。
这里需要注意的是：
以前我们在建立数据挖掘模型的时候是基于关系型数据源。
A：
而在这里，我们要基于多维数据库Sales，选取维度DimCustomer为数据挖掘模型的数据源。
B：
按照向导，选取事例键DimCustomer，
C：
在选取事例级别列对话框里面，选择一些属性和度量值，我们这里选取EnglishEducation、HouseOwnerFlag、NumberCarsOwned、YearlyIncome、SalesAmount。
如图5所示。
D：
在完成对话框里面，我们输入挖掘结构名称CustomerSturcture,输入挖掘模型名称CustomerClustering。
必须注意的是，一是一定要选择创建挖掘模型维度，输入挖掘模型维度的名称CustomerClustering；二是一定要选择使用挖掘模型维度创建多维数据集Sales_DM。
E：
设置算法参数。
然后对创建的挖掘结构和挖掘模型进行处理。
此时，共享维度里面会自动添加了一个CustomerClustering维度，也就是数据挖掘维度。
第二步：
处理CustomerClustering维度。
第三步：
处理多维数据集Salse_DM。
处理后的多维数据集Sales_DM，就包含了数据挖掘维度CustomerClustering。
这样，我们就可以把经过聚类算法分类后的客户维度，来进行多维数据分析。
效果展示
这些Cluster是我们用聚类算法建立的挖掘模型的维度成员，每个Cluster都是我们所选属性的一个综合的结果，但是代表着一个明显的特征。
我们还可以在数据挖掘模型里面，对各个Cluster进行名称的标示，如Cluster1是高收入高消费高学历的群体，我们就可以给他命名，把所有的Cluster都命名为能代表本身特性的名称，这样，使得多为数据库的信息就更丰富了。
总结
在激烈的市场竞争中，要想把海量的数据转化为信息，提高自身的信息化建设水平，增强企业的核心竞争力，ＢＩ技术是您明智的选择。
应用ＯＬＡＰ技术建立多维数据库，进行多维分析，并把数据挖掘算法应用于多维数据库中，会进一步增加信息量，让您掌握更多的市场先机。
升级会员 