一提到数据挖掘，很多人第一反应就是难。
公式很多，名词很绕，算法名字一个比一个像考试题。结果就是，明明知道这东西很重要，但一看就头大。
其实没那么玄乎。对很多刚入门的人来说，最难的不是算法本身，而是没人用人话把它讲明白。今天这篇文章，我就想用尽量直白的方式，把数据挖掘里常见的10个经典算法给你捋清楚。
开始之前，给你推荐一份数据仓库建设解决方案 ，里面不仅讲了数仓的技术架构、搭建过程中的重点内容，还有常用的数仓工具介绍。除此之外，它还把数据从业务系统到数据层，再到应用层的集成流程拆解得非常清楚，还带了一些数字化的核心概念解读和实操小技巧。如果你对数据集成或者数据挖掘还不太熟，里面也有不少算法相关的案例，能帮你更快上手，快速补课。 需要自取：https://s.fanruan.com/7igmg（复制到浏览器）
一、分类
虽然数据挖掘的算法很多，但常见的思路，基本可以分成几类。
一类是找关系。比如哪些东西经常一起出现，哪些页面影响力更大。
一类是做分类。也就是拿到一条新数据，判断它更像哪一类。
还有一类是做聚类。这个和分类不太一样，分类是先有标准答案，聚类是先把相似的东西自动分成堆。
你可以先这么理解。
分类，像给水果贴标签，苹果是苹果，橘子是橘子。
聚类，像把一堆长得像的水果先堆在一起，至于这一堆到底叫什么，后面再研究。
关联分析，像发现买了A的人，经常也会买B。
连接分析，像判断一个网页到底重不重要。
下面这10个算法，基本就分布在这些思路里。你不用一开始就记定义，先记住它们各自是干什么的，后面就容易多了。
二、入门级算法
PageRank
这个算法最早是用来判断网页重要性的。
道理不复杂。一个网页值不值钱，不光看有多少页面链接到它，还要看是谁链接了它。如果链接它的页面本身就很有分量，那它也更容易被认为重要。
说白了，不是谁给你投票都一样。普通人夸你一句，和行业大佬夸你一句，分量当然不同。
所以PageRank看的是两件事。
- 有多少页面指向你。
- 指向你的人自己是不是也有影响力。
你可以把它理解成社交平台上的影响力传递。关注你的人越多，而且这些人本身越有号召力，你的影响力也就越大。
Apriori
这个算法是做关联分析的，最经典的用法就是找商品之间的搭配关系。
比如，买面包的人是不是经常顺手买牛奶。买尿不湿的人是不是也容易买湿巾。它研究的就是这种一起出现的规律。
这里面有三个很常见的词。
- **支持度：**这个组合出现得多不多。
- **置信度：**买了A之后，再买B的概率高不高。
- **提升度：**A的出现，到底有没有明显带动B。
你不用死记概念，直接记一个场景就够了。超市想做促销，不是拍脑袋乱摆货，而是看历史交易数据，找到经常一起买的商品，把它们放近一点，或者直接做组合推荐。
这就是Apriori最接地气的用法。
AdaBoost
这个名字听起来有点吓人，其实思路很朴素。
它不是一下子找一个特别厉害的分类器，而是先找很多个一般般的小分类器，然后把它们组合起来，最后拼成一个更强的结果。
你可以把它想成公司开复盘会。
一个项目做完后，团队发现有些环节做得不错，有些环节总是出问题。下次再做类似项目时，大家就不会平均用力，而是会把更多精力放在上次出错的地方。
每一轮都盯着之前没做好的地方改，最后整个团队的项目成功率就会越来越高。
AdaBoost差不多就是这个逻辑。它会不断关注前一轮分错的数据，让后面的模型重点修正这些错误，最后组合成一个更强的模型。
三、分类算法
分类算法是数据挖掘里最常见的一类。简单说，就是给新数据判断类别。
C4.5
这是决策树算法里很经典的一个。
你可以把它想成一连串判断题。先看一个条件，再看下一个条件，最后一步步把数据分开。
比如公司要招销售，不会只看一个条件，而是会一步步判断。
先看沟通能力。如果沟通能力明显不行，可能就直接不合适。
如果沟通能力不错，再看抗压能力。
如果抗压能力也不错，再看有没有行业经验。
最后根据这些条件，判断这个人是否适合销售岗位。
C4.5 就像这样一套判断流程。它会从很多特征里挑出最关键的判断条件，一层一层往下分，最后把样本分到不同类别里。
CART
这也是决策树 的一种，但它比C4.5更通用。
为什么说更通用？因为它既能做分类，也能做预测数值。
如果是分类，比如判断一套房子是否值得买，那结果可能是值得买或不值得买。算法会根据地段、楼龄、交通、学区、价格等条件一步步判断。
如果是回归，比如预测这套房子的价格，那结果就不是一个类别，而是一个具体数值，比如大概值多少钱。
所以 CART 的特点是，它既可以帮你做选择题，也可以帮你做填空题。
朴素贝叶斯
这个算法很常见，尤其适合做文本分类，比如垃圾邮件识别、情感分析这类场景。
它背后的思路是概率判断。
比如现在来了一条短信，里面出现了账户异常、点击链接、立即验证、否则冻结这些词，那它是诈骗短信的概率就会升高。
如果短信里出现快递到了、取件码、驿站这些词，那它更可能是正常快递通知。
朴素贝叶斯就是根据这些特征，去计算这条短信更像哪一类。它不会像人一样真正理解短信内容，但会根据过去的数据，判断哪种可能性更大。
它有个朴素的地方，就是默认各个特征之间彼此独立。这个假设听起来有点理想化，但在很多场景里，它居然还挺好用。
SVM
SVM中文叫支持向量机，名字有点硬，但核心想法其实很直观。
假设一个广场上有两类摊位，一边是卖小吃的，一边是卖手工艺品的。现在要在中间留出一条通道，让两边顾客都能走，同时尽量不影响摊位。
这条通道不能贴着某一边太近，否则稍微有摊位扩出来，就容易混乱。最好的做法是让通道尽量处在两边中间，和两边都保持最大距离。
SVM 要找的就是这样一条最稳的分界线。它不只是把两类数据分开，还希望分界线离两边都远一点，这样新数据来了，也更不容易分错。
如果数据不是平面上能直接分开的，它还会想办法把数据换个角度看，映射到更高维的空间里，再去找分界面。
你不用一开始就理解维度怎么变。先记住一句话就行，SVM本质上是在找一条最稳的分界线。
KNN
KNN可以说是最容易入门的算法之一。
它的逻辑特别像现实生活中的一句话，近朱者赤，近墨者黑。
一个新同学刚来，老师不知道他适合加入哪个兴趣小组。于是看他平时喜欢什么、擅长什么、和哪些同学更像。
如果他最接近的几个同学大多都在篮球组，那他很可能也适合篮球组。
如果他最接近的几个同学大多都在绘画组，那他可能更适合绘画组。
KNN 就是这么判断的。它不急着总结复杂规则，而是先看离这个新样本最近的一批老样本属于哪一类，再根据多数结果做判断。
这个算法简单好懂，但也有个特点，就是很依赖距离怎么定义 ，以及K到底取几个更合适。
四、聚类算法
前面的分类，都是先有答案再判断。聚类不是这样，它是先把相似的数据自动分组。
K-Means
K-Means是最常见的聚类算法。
它会先随机找几个中心点，把每条数据分给离自己最近的那个中心。分完后再重新计算每一组的中心点，继续分配和优化，直到结果稳定下来。
你可以把这个过程想成健身房给会员分群，比如根据会员的来访频率和课程偏好，分成高频训练型、偶尔打卡型、团课偏好型，再用行为数据把相似的人聚到一起。
虽然一开始可能不够准确，但**算法会不断调整中心点，经过几轮优化后分组就越来越合理。**这样健身房可以根据人群特点推针对性的课程和活动，而不是给所有会员发同样的短信。
它的优点是直观、速度快 ，特别适合做用户分群、门店分层、商品分组这类事情。
EM
EM也是聚类里很经典的算法，但它和K-Means不太一样。
K-Means更像硬分组。你只能属于这一组，不能同时属于另一组。
EM更像软分组 。它会告诉你，你属于A组的概率是多少，属于B组的概率又是多少。
这就更贴近现实。因为很多数据本来就不是非黑即白的。
比如一个用户，平时听歌很杂，既听流行，也听民谣，还偶尔听摇滚。那他到底属于哪类用户？如果只能分到一个类别里，就有点生硬。
EM 的思路更灵活。它不会直接说你就是流行用户，而是会计算你属于不同偏好人群的概率。比如你可能有 60% 像流行音乐用户，30% 像民谣用户，10% 像摇滚用户。
这样平台做推荐时，就不会只给你推一种歌，而是可以根据概率，推荐更符合你真实兴趣的内容。
EM的过程也可以理解成先做一个大概猜测，然后根据数据不断修正，修到结果基本不再变化为止。
五、总结
掌握这10个算法，数据挖掘也就没那么复杂了。建议刚入门的朋友先搞清楚每个算法的作用和解决的问题，尤其是和自己业务相关的那些，重点理解透彻再去实际应用。至于其他的算法，也不用急着硬背，直接先收藏起来，等用到的时候翻出来回顾一下就好。选择合适的算法解决问题这件事会慢慢地变得越来越得心应手了。
当然，实际工作里光知道算法还不够，前面的数据准备同样很关键。很多企业的数据分散在ERP、CRM、OA等系统里，整理起来既费时又麻烦。像 FineDataLink 这样的数据处理工具 ，就能帮忙把这些数据接起来，清洗、加工，统一口径，打好基础。这样后面不管是做日常分析，还是进一步做数据挖掘和算法应用，都会更容易落地。 工具的链接我放这里，感兴趣可以上手体验一下：https://s.fanruan.com/tx4dw（复制到浏览器打开）