L'exploration de données est le processus d'analyse et de synthèse des données provenant de différentes perspectives. Il s'efforce de définir des modèles de données et les relations à travers de grands bassins de l'information en utilisant des algorithmes --- ensembles de règles qui permettent de résoudre un problème sur une série de mesures concrètes (pensez à l'algorithme d'Euclide en algèbre , qui trouve le plus grand commun diviseur de deux nombres ) . L' IEEE Conférence internationale sur le Data Mining 2006 a classé les 10 meilleurs algorithmes sur le terrain. Arbres de Décision

des algorithmes d'arbres de décision visent à organiser les données sur les choix concurrentiels dans les branches d'influence après une décision initiale . Le tronc de l'arbre représente la décision initiale , et cela commence par un oui ou par non , comme si oui ou non prendre le petit déjeuner . Prendre un petit déjeuner et ne pas manger le petit déjeuner serait les deux premières branches divergentes de l'arbre, et chaque choix serait par la suite avoir ses propres branches divergentes menant à un point d'arrivée .
L'algorithme K -means < br > Photos

L'algorithme k -means est basé sur l'analyse de cluster. Il vise à briser les données recueillies en «grappes» distincts regroupés en fonction des caractéristiques similaires.

Support Vector Machines

en charge les algorithmes de machines à vecteurs prendre des données d'entrée et de prédire lequel de deux catégories possibles qui incluent les données d'entrée . Un exemple serait regroupant les codes postaux d'un pool d' électeurs et d'essayer de prédire si un électeur donner est un démocrate ou républicain .
L' algorithme Apriori

Apriori algorithme suit généralement les données de transaction. Par exemple, dans un magasin de vêtements , l'algorithme pourrait suivre chemises clients qui achètent généralement ensemble.
L'algorithme EM

Cet algorithme définit les paramètres de l'analyse des données et prédit l' probabilité d'un résultat futur ou d'un événement aléatoire dans les paramètres des données. Par exemple, l'algorithme EM pourrait tenter de prédire le moment de la prochaine éruption d'un geyser sur la base des données de temps des éruptions passées.
PageRank Algorithme

Le PageRank l'algorithme est un algorithme de base pour les moteurs de recherche . Il se range et estime pertinence d'un seul morceau de données dans un plus grand ensemble de données , comme un site unique au sein de l' ensemble plus vaste de tous les sites Web sur l'Internet.
AdaBoost algorithme
< br >

L'algorithme de Adaboost travaille au sein d'autres algorithmes d'apprentissage qui anticipent un comportement fondé sur des données observées pour les rendre plus sensibles aux valeurs aberrantes statistiques. Bien que l'algorithme EM peut être faussée par un geyser d'avoir deux éruptions en moins d'une minute quand il éclate généralement une fois par jour , l'algorithme Adaboost serait tordre la sortie de l' algorithme EM en analysant la pertinence de la valeur aberrante .

K- voisin le plus proche algorithme

Cet algorithme reconnaît les modèles en lieu et associe les données que les données avec un identifiant plus grande . Par exemple, si vous vouliez attribuer un bureau de poste à la situation géographique de chaque maison et a eu le pool de données de l'emplacement géographique de chaque maison , l'algorithme Neighbor k- plus proche serait attribuer les logements au bureau de poste le plus proche en fonction de leur proximité les uns des autres .
Naive Baye

L'algorithme Naive Bayes prédit un résultat d'identité basée sur des données issues des observations connues. Par exemple, si une personne est pieds g six pouces de hauteur et porte une taille 14 chaussures , l'algorithme de Bayes naïf serait prédire avec une certaine probabilité que la personne est un homme.
CART algorithme

« CART » signifie « Classification and Tree régressive» analyse. Comme l'analyse par arbre de décision, il organise les données basées sur des choix contradictoires , comme si une personne a survécu à un tremblement de terre ? Contrairement aux algorithmes d'arbres de décision, qui ne peut classer un résultat ou donner un résultat numérique fondé sur la régression , l' algorithme CART peut utiliser à la fois pour prédire la probabilité d'un événement.