计算机-数据挖掘课程

这是一篇关于数据挖掘课程的思维导图，包含基础分类方法、高级分类方法、基础聚类方法等。

数据挖掘

• 分类
  • 基础分类方法
    • 决策树
      • 类型
        • ID3：基于信息增益
        • C4.5：基于信息增益率
        • CART：基于基尼指数
      • 常见算法
        • Rainforest
          • 基于AVC-list来建树
        • BOAT
          • 有放回的重抽样
    • 朴素贝叶斯
      • 前提：各个属性之间相互独立
    • 基于规则的分类
      • IF-THEN规则
      • 提取规则
        • 从决策树中直接提取
        • 在样本中提取：顺序覆盖法
    • 模型评估与选择
      • 评估
        • 混淆矩阵
          • 准确率，错误率，灵敏度，特异性，精度，召回率，F度量
        • Holdout保持方法，交叉证实，Bootstrap
      • 选择
        • 假设检验
        • ROC曲线
    • 提高分类准确率
      • Bagging
      • Boosting
      • 随机森林
  • 高级分类方法
    • 贝叶斯信念网络
      • 有向无环图+条件概率表
    • 人工神经网络
      • 后向传播算法
    • 支持向量机SVM
      • 线性SVM
      • 非线性SVM
    • 基于频繁模式的分类
      • 懒惰学习：KNN，CBR（案例推理）
    • 其他方法
      • 遗传算法 CA
      • 半监督学习方法
        • 自我训练+协同训练
      • 迁移学习
• 聚类
  • 基础聚类方法
    • 划分方法
      • k-均值
      • k-中心
        • PAM
        • 对PAM的改进
          • CLARA,CLARANS
    • 层次方法
      • 凝聚
        • BIRHC（增量聚类）
        • Chameleon （动态模型）
      • 分裂
    • 基于密度的聚类
      • DBSCAN
    • 聚类的评估方法
      • 估计聚类趋势
        • 霍普金斯统计量
      • 确定聚类簇个数
        • 经验方法
        • 肘方法（ELBOW METHOD）
        • m倍交叉证实
      • 测定聚类质量
        • 外在方法
          • BCubed
        • 内在方法
          • 轮廓系数
  • 高级聚类方法