一、用于數據挖掘的分類算法有哪些，各有何優劣

常見的機器學習分類算法就有，不常見的更是數不勝數，那么我們針對某個分類問題怎么來選擇比較好的分類算法呢？下面介紹一些算法的優缺點：

1. 樸素貝葉斯

比較簡單的算法，所需估計的參數很少，對缺失數據不太敏感。如果條件獨立性假設成立，即各特征之間相互獨立，樸素貝葉斯分類器將會比判別模型，如邏輯回歸收斂得更快，因此只需要較少的訓練數據。就算該假設不成立，樸素貝葉斯分類器在實踐中仍然有著不俗的表現。如果你需要的是快速簡單并且表現出色，這將是個不錯的選擇。其主要缺點現實生活中特征之間相互獨立的條件比較難以實現。

2. 邏輯回歸

模型訓練時，正則化方法較多，而且你不必像在用樸素貝葉斯那樣擔心你的特征是否相關。與決策樹與支持向量機相比，邏輯回歸模型還會得到一個不錯的概率解釋，你甚至可以輕松地利用新數據來更新模型（使用在線梯度下降算法）。如果你需要一個概率架構（比如簡單地調節分類閾值，指明不確定性，獲得置信區間），或者你以后想將更多的訓練數據快速整合到模型中去，邏輯回歸是一個不錯的選擇。

3. 決策樹

決策樹的分類過程易于解釋說明。它可以毫無壓力地處理特征間的交互關系并且是非參數化的，因此你不必擔心異常值或者數據是否線性可分。它的一個缺點就是不支持在線學習，于是在新樣本到來后，決策樹需要全部重建。另一個缺點是容易過擬合，但這也就是諸如隨機森林（或提升樹）之類的集成方法的切入點。另外，隨機森林經常是多分類問題的贏家（通常比支持向量機好上那么一點），它快速并且可調，同時你無須擔心要像支持向量機那樣調一大堆參數，所以隨機森林相當受歡迎。

4. 支持向量機

高準確率，為避免過擬合提供了很好的理論保證，而且就算數據在原特征空間線性不可分，只要給個合適的核函數，它就能運行得很好。在超高維的文本分類問題中特別受歡迎。可惜內存消耗大，難以解釋，運行和調參也有些煩人，所以我認為隨機森林要開始取而代之了。

但是，好的數據卻要優于好的算法，設計優良特征比優良的算法好很多。假如你有一個超大數據集，那么無論你使用哪種算法可能對分類性能都沒太大影響（此時就根據速度和易用性來進行抉擇）。

如果你真心在乎準確率，你一定得嘗試多種多樣的分類器，并且通過交叉驗證選擇最優。

二、文本分類和聚類有什么區別

建輝 (建造輝煌成就)

三、為什么要用 機器學習 進行 流量分類

機器學習是一個比較大的范疇，機器學習包括很多東西，如決策樹分析，主成分分析，回歸分析，支持向量機，神經網絡，深度學習等。你說的流量分類應該是說采用機器學習里面的一些分類算法，如樸素貝葉斯算法，K-means算法（也叫K均值算法），EM算法(也叫期望值最大化算法)等聚類算法。

四、如何解釋一個分類器算法為什么好

分類分為有監督算法和無監督算法，有監督的話，常見為邏輯斯蒂回歸，還有支持向量機SVM等，無監督適合于聚類，如k-means,k-methods等等。這些都是常見的機器學習算法。

推薦你一門課：Andrew N.G在Stanford時候錄的《machine learning》，在網易公開課上都有。

五、學會用聚類算法進行數據挖掘需要怎樣的數學基礎

數學基礎是線性代數和統計學，微積分、泛函分析、泛函分析以及拓撲學和圖論。

數據挖掘，是指從大量數據中獲取隱含的、潛在的是有價值信息的過程，是近年來計算機領域火熱的研究內容。作為一個大的命題，為了便于引入討論，這里以本人目前涉及的游戲工業領域的數據挖掘方法展開討論。

數據挖掘方法在游戲工業領域最初的應用，常常是游戲中的人工智能的開發。例如游戲中的電腦對手，對戰類游戲的天梯系統，游戲開發時的關卡自動生成器。這些功能對應著數據挖掘方法中的專家系統、機器學習、模式識別、自然語言理解、自動定理證明、自動程序設計、機器人學、博弈、人工神經網絡等。