机器学习的十大经典算法有哪些

　　1、C4.5

　　C4.5算法是机器学习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。

　　2、Thek-meansalgorithm即K-Means算法

　　k-meansalgorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k《n。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。

　　3、Supportvectormachines支持向量机

　　支持向量机（SupportVectorMachine），简称SV机（论文中一般简称SVM）。它是一种监督式学习的方法，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。

　　4、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。

　　5、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ai服务器和计算机视觉的数据集聚（DataClustering）领域。