抖音号交易出售资讯关联规则学习算法

有一个最直观的解释，如果你吃的大部分的好瓜纹理都很清晰，那么你肯定首先去判断面前的瓜纹理是不是清晰，如果不清晰那极有可能不是好瓜。但是还有一个问题，好瓜大都纹理清晰，但并不是所有纹理清晰的瓜都是好瓜，你需要继续根据其他特征去判断。

假设你面前的瓜纹理清晰，那么你回去想你吃过的纹理清晰的好瓜中，还有什么让你印象深刻的特征？对了，你想起来根蒂蜷缩的纹理清晰的瓜是大都是好瓜。

上面我们讲过了怎么判断一个瓜是好瓜。如果让计算机去学习如何判断好瓜，那么我们需要给它很多的样例。这些样例数据中，有好瓜有坏瓜，每个样例都给出了瓜的纹理、根蒂、色泽、触感、敲声等等特征。有了样例数据，计算机如何得到一个像人类判断过程中的那种顺序判断的思路呢？答案就是决策树。

4. 贝叶斯算法

这些方法适用于贝叶斯定理的问题，如分类和回归。

常用的贝叶斯算法是：

• 朴素贝叶斯；
• 高斯朴素贝叶斯；
• 多项朴素贝叶斯；
• 平均一依赖估计量（AODE）；
• 贝叶斯信念网络（BBN）；
• 贝叶斯网络（BN）；

用途场景：例如判断网络环境是否异常，使用无监督学习获得每个设备、每个人员的网络行为模式，结合行为分析与高等数学，运用递归贝叶斯估计（Recursive Bayesian Estimation，RBE）理论，提供对事件的估计概率并随着新特征的发现不断更新，自动判断网络行为是否存在异常。

5. 聚类算法

几乎所有的聚类算法都涉及使用数据中的固有结构，这需要将数据最佳地组织成最大共性的组。

常用的聚类算法是：

• K-均值；
• K-平均；
• 期望最大化（EM）；
• 分层聚类；

用途场景：在用机器做聚类学习的时候，我们每种算法都对应有相应的计算原则，可以把输入的各种看上去彼此“相近”的向量分在一个群组中。然后下一步，人们通常更有针对性地去研究每一组聚在一起的对象所拥有的共性以及那些远离各个群组的孤立点——这种孤立点研究在刑侦、特殊疾病排查和用户群体划分等方面都有应用。

6. 关联规则学习算法

关联规则学习方法提取规则，它可以完美的解释数据中变量之间的关系。这些规则可以在大型多维数据集中被发现是非常重要的。

常用的关联规则学习算法是：

• Apriori算法；
• Eclat算法；

用途场景：在《 AI产品经理从懂精准推荐模型到产品创新》上篇中讲述比较多，感兴趣的读者可以翻阅。