網(wǎng)頁(yè)分類(lèi)算法（網(wǎng)頁(yè)分類(lèi)算法有哪些）

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于網(wǎng)頁(yè)分類(lèi)算法的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話(huà)答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶(hù)端

官網(wǎng)：https://ai.de1919.com

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀企業(yè)，服務(wù)客戶(hù)遍布全國(guó)，網(wǎng)絡(luò)營(yíng)銷(xiāo)相關(guān)業(yè)務(wù)請(qǐng)撥打175-8598-2043，或微信：1454722008

本文目錄:

• 1、蜘蛛爬蟲(chóng)的原理和作用

• 2、爬蟲(chóng)抓取究竟是什么？

• 3、怎么防止瀏覽網(wǎng)頁(yè)以及網(wǎng)站中病毒和木馬（謝絕不要進(jìn)入不健康網(wǎng)站的回答）

• 4、機(jī)器學(xué)習(xí)有哪些算法

一、蜘蛛爬蟲(chóng)的原理和作用

關(guān)于搜索引擎的大話(huà)還是少說(shuō)些，下面開(kāi)始正文搜索引擎蜘蛛爬蟲(chóng)原理：

1 聚焦爬蟲(chóng)工作原理及關(guān)鍵技術(shù)概述

網(wǎng)絡(luò)爬蟲(chóng)是一個(gè)自動(dòng)提取網(wǎng)頁(yè)的程序，它為搜索引擎從Internet網(wǎng)上下載網(wǎng)頁(yè)，是搜索引擎的重要組成。傳統(tǒng)爬蟲(chóng)從一個(gè)或若干初始網(wǎng)頁(yè)的URL開(kāi)始，獲得初始網(wǎng)頁(yè)上的URL，在抓取網(wǎng)頁(yè)的過(guò)程中，不斷從當(dāng)前頁(yè)面上抽取新的URL放入隊(duì)列,直到滿(mǎn)足系統(tǒng)的一定停止條件。聚焦爬蟲(chóng)的工作流程較為復(fù)雜，需要根據(jù)一定的網(wǎng)頁(yè)分析算法過(guò)濾與主題無(wú)關(guān)的鏈接，保留有用的鏈接并將其放入等待抓取的URL隊(duì)列。然后，它將根據(jù)一定的搜索策略從隊(duì)列中選擇下一步要抓取的網(wǎng)頁(yè)URL，并重復(fù)上述過(guò)程，直到達(dá)到系統(tǒng)的某一條件時(shí)停止，另外，所有被爬蟲(chóng)抓取的網(wǎng)頁(yè)將會(huì)被系統(tǒng)存貯，進(jìn)行一定的分析、過(guò)濾，并建立索引，以便之后的查詢(xún)和檢索；對(duì)于聚焦爬蟲(chóng)來(lái)說(shuō)，這一過(guò)程所得到的分析結(jié)果還可能對(duì)以后的抓取過(guò)程給出反饋和指導(dǎo)。

相對(duì)于通用網(wǎng)絡(luò)爬蟲(chóng)，聚焦爬蟲(chóng)還需要解決三個(gè)主要問(wèn)題：

(1) 對(duì)抓取目標(biāo)的描述或定義；

(2) 對(duì)網(wǎng)頁(yè)或數(shù)據(jù)的分析與過(guò)濾；

(3) 對(duì)URL的搜索策略。

抓取目標(biāo)的描述和定義是決定網(wǎng)頁(yè)分析算法與URL搜索策略如何制訂的基礎(chǔ)。而網(wǎng)頁(yè)分析算法和候選URL排序算法是決定搜索引擎所提供的服務(wù)形式和爬蟲(chóng)網(wǎng)頁(yè)抓取行為的關(guān)鍵所在。這兩個(gè)部分的算法又是緊密相關(guān)的。

2 抓取目標(biāo)描述

現(xiàn)有聚焦爬蟲(chóng)對(duì)抓取目標(biāo)的描述可分為基于目標(biāo)網(wǎng)頁(yè)特征、基于目標(biāo)數(shù)據(jù)模式和基于領(lǐng)域概念3種。

基于目標(biāo)網(wǎng)頁(yè)特征的爬蟲(chóng)所抓取、存儲(chǔ)并索引的對(duì)象一般為網(wǎng)站或網(wǎng)頁(yè)。根據(jù)種子樣本獲取方式可分為：

（1） 預(yù)先給定的初始抓取種子樣本；

（2） 預(yù)先給定的網(wǎng)頁(yè)分類(lèi)目錄和與分類(lèi)目錄對(duì)應(yīng)的種子樣本，如Yahoo!分類(lèi)結(jié)構(gòu)等；

（3） 通過(guò)用戶(hù)行為確定的抓取目標(biāo)樣例，分為：

a) 用戶(hù)瀏覽過(guò)程中顯示標(biāo)注的抓取樣本；

b) 通過(guò)用戶(hù)日志挖掘得到訪問(wèn)模式及相關(guān)樣本。

其中，網(wǎng)頁(yè)特征可以是網(wǎng)頁(yè)的內(nèi)容特征，也可以是網(wǎng)頁(yè)的鏈接結(jié)構(gòu)特征，等等。

現(xiàn)有的聚焦爬蟲(chóng)對(duì)抓取目標(biāo)的描述或定義可以分為基于目標(biāo)網(wǎng)頁(yè)特征，基于目標(biāo)數(shù)據(jù)模式和基于領(lǐng)域概念三種。

基于目標(biāo)網(wǎng)頁(yè)特征的爬蟲(chóng)所抓取、存儲(chǔ)并索引的對(duì)象一般為網(wǎng)站或網(wǎng)頁(yè)。具體的方法根據(jù)種子樣本的獲取方式可以分為：（1）預(yù)先給定的初始抓取種子樣本；（2）預(yù)先給定的網(wǎng)頁(yè)分類(lèi)目錄和與分類(lèi)目錄對(duì)應(yīng)的種子樣本，如Yahoo!分類(lèi)結(jié)構(gòu)等；（3）通過(guò)用戶(hù)行為確定的抓取目標(biāo)樣例。其中，網(wǎng)頁(yè)特征可以是網(wǎng)頁(yè)的內(nèi)容特征，也可以是網(wǎng)頁(yè)的鏈接結(jié)構(gòu)特征，等等。

基于目標(biāo)數(shù)據(jù)模式的爬蟲(chóng)針對(duì)的是網(wǎng)頁(yè)上的數(shù)據(jù)，所抓取的數(shù)據(jù)一般要符合一定的模式，或者可以轉(zhuǎn)化或映射為目標(biāo)數(shù)據(jù)模式。

另一種描述方式是建立目標(biāo)領(lǐng)域的本體或詞典，用于從語(yǔ)義角度分析不同特征在某一主題中的重要程度。

3 網(wǎng)頁(yè)搜索策略

網(wǎng)頁(yè)的抓取策略可以分為深度優(yōu)先、廣度優(yōu)先和最佳優(yōu)先三種。深度優(yōu)先在很多情況下會(huì)導(dǎo)致爬蟲(chóng)的陷入(trapped)問(wèn)題，目前常見(jiàn)的是廣度優(yōu)先和最佳優(yōu)先方法。

3.1 廣度優(yōu)先搜索策略

廣度優(yōu)先搜索策略是指在抓取過(guò)程中，在完成當(dāng)前層次的搜索后，才進(jìn)行下一層次的搜索。該算法的設(shè)計(jì)和實(shí)現(xiàn)相對(duì)簡(jiǎn)單。在目前為覆蓋盡可能多的網(wǎng)頁(yè)，一般使用廣度優(yōu)先搜索方法。也有很多研究將廣度優(yōu)先搜索策略應(yīng)用于聚焦爬蟲(chóng)中。其基本思想是認(rèn)為與初始URL在一定鏈接距離內(nèi)的網(wǎng)頁(yè)具有主題相關(guān)性的概率很大。另外一種方法是將廣度優(yōu)先搜索與網(wǎng)頁(yè)過(guò)濾技術(shù)結(jié)合使用，先用廣度優(yōu)先策略抓取網(wǎng)頁(yè)，再將其中無(wú)關(guān)的網(wǎng)頁(yè)過(guò)濾掉。這些方法的缺點(diǎn)在于，隨著抓取網(wǎng)頁(yè)的增多，大量的無(wú)關(guān)網(wǎng)頁(yè)將被下載并過(guò)濾，算法的效率將變低。

3.2 最佳優(yōu)先搜索策略

最佳優(yōu)先搜索策略按照一定的網(wǎng)頁(yè)分析算法，預(yù)測(cè)候選URL與目標(biāo)網(wǎng)頁(yè)的相似度，或與主題的相關(guān)性，并選取評(píng)價(jià)最好的一個(gè)或幾個(gè)URL進(jìn)行抓取。它只訪問(wèn)經(jīng)過(guò)網(wǎng)頁(yè)分析算法預(yù)測(cè)為“有用”的網(wǎng)頁(yè)。存在的一個(gè)問(wèn)題是，在爬蟲(chóng)抓取路徑上的很多相關(guān)網(wǎng)頁(yè)可能被忽略，因?yàn)樽罴褍?yōu)先策略是一種局部最優(yōu)搜索算法。因此需要將最佳優(yōu)先結(jié)合具體的應(yīng)用進(jìn)行改進(jìn)，以跳出局部最優(yōu)點(diǎn)。將在第4節(jié)中結(jié)合網(wǎng)頁(yè)分析算法作具體的討論。研究表明，這樣的閉環(huán)調(diào)整可以將無(wú)關(guān)網(wǎng)頁(yè)數(shù)量降低30%~90%。

4 網(wǎng)頁(yè)分析算法

網(wǎng)頁(yè)分析算法可以歸納為基于網(wǎng)絡(luò)拓?fù)?、基于網(wǎng)頁(yè)內(nèi)容和基于用戶(hù)訪問(wèn)行為三種類(lèi)型。

4.1 基于網(wǎng)絡(luò)拓?fù)涞姆治鏊惴?#57348;

基于網(wǎng)頁(yè)之間的鏈接，通過(guò)已知的網(wǎng)頁(yè)或數(shù)據(jù)，來(lái)對(duì)與其有直接或間接鏈接關(guān)系的對(duì)象（可以是網(wǎng)頁(yè)或網(wǎng)站等）作出評(píng)價(jià)的算法。又分為網(wǎng)頁(yè)粒度、網(wǎng)站粒度和網(wǎng)頁(yè)塊粒度這三種。

4.1.1 網(wǎng)頁(yè)(Webpage)粒度的分析算法

PageRank和HITS算法是最常見(jiàn)的鏈接分析算法，兩者都是通過(guò)對(duì)網(wǎng)頁(yè)間鏈接度的遞歸和規(guī)范化計(jì)算，得到每個(gè)網(wǎng)頁(yè)的重要度評(píng)價(jià)。PageRank算法雖然考慮了用戶(hù)訪問(wèn)行為的隨機(jī)性和Sink網(wǎng)頁(yè)的存在，但忽略了絕大多數(shù)用戶(hù)訪問(wèn)時(shí)帶有目的性，即網(wǎng)頁(yè)和鏈接與查詢(xún)主題的相關(guān)性。針對(duì)這個(gè)問(wèn)題，HITS算法提出了兩個(gè)關(guān)鍵的概念：權(quán)威型網(wǎng)頁(yè)（authority）和中心型網(wǎng)頁(yè)（hub）。

基于鏈接的抓取的問(wèn)題是相關(guān)頁(yè)面主題團(tuán)之間的隧道現(xiàn)象，即很多在抓取路徑上偏離主題的網(wǎng)頁(yè)也指向目標(biāo)網(wǎng)頁(yè)，局部評(píng)價(jià)策略中斷了在當(dāng)前路徑上的抓取行為。文獻(xiàn)[21]提出了一種基于反向鏈接（BackLink）的分層式上下文模型（Context Model），用于描述指向目標(biāo)網(wǎng)頁(yè)一定物理跳數(shù)半徑內(nèi)的網(wǎng)頁(yè)拓?fù)鋱D的中心Layer0為目標(biāo)網(wǎng)頁(yè)，將網(wǎng)頁(yè)依據(jù)指向目標(biāo)網(wǎng)頁(yè)的物理跳數(shù)進(jìn)行層次劃分，從外層網(wǎng)頁(yè)指向內(nèi)層網(wǎng)頁(yè)的鏈接稱(chēng)為反向鏈接。

4.1.2 網(wǎng)站粒度的分析算法

網(wǎng)站粒度的資源發(fā)現(xiàn)和管理策略也比網(wǎng)頁(yè)粒度的更簡(jiǎn)單有效。網(wǎng)站粒度的爬蟲(chóng)抓取的關(guān)鍵之處在于站點(diǎn)的劃分和站點(diǎn)等級(jí)(SiteRank)的計(jì)算。SiteRank的計(jì)算方法與PageRank類(lèi)似，但是需要對(duì)網(wǎng)站之間的鏈接作一定程度抽象，并在一定的模型下計(jì)算鏈接的權(quán)重。

網(wǎng)站劃分情況分為按域名劃分和按IP地址劃分兩種。文獻(xiàn)[18]討論了在分布式情況下，通過(guò)對(duì)同一個(gè)域名下不同主機(jī)、服務(wù)器的IP地址進(jìn)行站點(diǎn)劃分，構(gòu)造站點(diǎn)圖，利用類(lèi)似PageRank的方法評(píng)價(jià)SiteRank。同時(shí)，根據(jù)不同文件在各個(gè)站點(diǎn)上的分布情況，構(gòu)造文檔圖，結(jié)合SiteRank分布式計(jì)算得到DocRank。文獻(xiàn)[18]證明，利用分布式的SiteRank計(jì)算，不僅大大降低了單機(jī)站點(diǎn)的算法代價(jià)，而且克服了單獨(dú)站點(diǎn)對(duì)整個(gè)網(wǎng)絡(luò)覆蓋率有限的缺點(diǎn)。附帶的一個(gè)優(yōu)點(diǎn)是，常見(jiàn)PageRank 造假難以對(duì)SiteRank進(jìn)行欺騙。

4.1.3 網(wǎng)頁(yè)塊粒度的分析算法

在一個(gè)頁(yè)面中，往往含有多個(gè)指向其他頁(yè)面的鏈接，這些鏈接中只有一部分是指向主題相關(guān)網(wǎng)頁(yè)的，或根據(jù)網(wǎng)頁(yè)的鏈接錨文本表明其具有較高重要性。但是，在PageRank和HITS算法中，沒(méi)有對(duì)這些鏈接作區(qū)分，因此常常給網(wǎng)頁(yè)分析帶來(lái)廣告等噪聲鏈接的干擾。在網(wǎng)頁(yè)塊級(jí)別(Blocklevel)進(jìn)行鏈接分析的算法的基本思想是通過(guò)VIPS網(wǎng)頁(yè)分割算法將網(wǎng)頁(yè)分為不同的網(wǎng)頁(yè)塊(page block)，然后對(duì)這些網(wǎng)頁(yè)塊建立pagetoblock和blocktopage的鏈接矩陣，分別記為Z和X。于是，在pagetopage圖上的網(wǎng)頁(yè)塊級(jí)別的PageRank為Wp=X×Z；在blocktoblock圖上的BlockRank為Wb=Z×X。已經(jīng)有人實(shí)現(xiàn)了塊級(jí)別的PageRank和HITS算法，并通過(guò)實(shí)驗(yàn)證明，效率和準(zhǔn)確率都比傳統(tǒng)的對(duì)應(yīng)算法要好。

4.2 基于網(wǎng)頁(yè)內(nèi)容的網(wǎng)頁(yè)分析算法

基于網(wǎng)頁(yè)內(nèi)容的分析算法指的是利用網(wǎng)頁(yè)內(nèi)容（文本、數(shù)據(jù)等資源）特征進(jìn)行的網(wǎng)頁(yè)評(píng)價(jià)。網(wǎng)頁(yè)的內(nèi)容從原來(lái)的以超文本為主，發(fā)展到后來(lái)動(dòng)態(tài)頁(yè)面（或稱(chēng)為Hidden Web）數(shù)據(jù)為主，后者的數(shù)據(jù)量約為直接可見(jiàn)頁(yè)面數(shù)據(jù)（PIW，Publicly Indexable Web）的400~500倍。另一方面，多媒體數(shù)據(jù)、Web Service等各種網(wǎng)絡(luò)資源形式也日益豐富。因此，基于網(wǎng)頁(yè)內(nèi)容的分析算法也從原來(lái)的較為單純的文本檢索方法，發(fā)展為涵蓋網(wǎng)頁(yè)數(shù)據(jù)抽取、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、語(yǔ)義理解等多種方法的綜合應(yīng)用。本節(jié)根據(jù)網(wǎng)頁(yè)數(shù)據(jù)形式的不同，將基于網(wǎng)頁(yè)內(nèi)容的分析算法，歸納以下三類(lèi)：第一種針對(duì)以文本和超鏈接為主的無(wú)結(jié)構(gòu)或結(jié)構(gòu)很簡(jiǎn)單的網(wǎng)頁(yè)；第二種針對(duì)從結(jié)構(gòu)化的數(shù)據(jù)源（如RDBMS）動(dòng)態(tài)生成的頁(yè)面，其數(shù)據(jù)不能直接批量訪問(wèn)；第三種針對(duì)的數(shù)據(jù)界于第一和第二類(lèi)數(shù)據(jù)之間，具有較好的結(jié)構(gòu)，顯示遵循一定模式或風(fēng)格，且可以直接訪問(wèn)。

二、爬蟲(chóng)抓取究竟是什么？

就是從網(wǎng)頁(yè)中，提取出結(jié)構(gòu)化數(shù)據(jù)。另外的特點(diǎn)，就是自動(dòng)化，節(jié)省人力。通過(guò)訪問(wèn)網(wǎng)站 然后獲取到你想要的信息。

簡(jiǎn)要地說(shuō)爬蟲(chóng)抓取的是數(shù)據(jù)或信息。根據(jù)不同的行業(yè)及應(yīng)用，爬蟲(chóng)所抓取的數(shù)據(jù)各有不同的偏重，一般來(lái)說(shuō)是業(yè)務(wù)需要那些數(shù)據(jù)，那抓取對(duì)應(yīng)的數(shù)據(jù)回來(lái)，再經(jīng)過(guò)清洗、轉(zhuǎn)化等步驟促進(jìn)業(yè)務(wù)增長(zhǎng)與輔助決策。

抓取目標(biāo)分類(lèi)

抓取目標(biāo)的描述和定義是決定網(wǎng)頁(yè)分析算法與URL搜索策略如何制訂的基礎(chǔ)。而網(wǎng)頁(yè)分析算法和候選URL排序算法是決定搜索引擎所提供的服務(wù)形式和爬蟲(chóng)網(wǎng)頁(yè)抓取行為的關(guān)鍵所在。這兩個(gè)部分的算法又是緊密相關(guān)的。

現(xiàn)有聚焦爬蟲(chóng)對(duì)抓取目標(biāo)的描述可分為基于目標(biāo)網(wǎng)頁(yè)特征、基于目標(biāo)數(shù)據(jù)模式和基于領(lǐng)域概念3種。

1、基于目標(biāo)網(wǎng)頁(yè)特征

基于目標(biāo)網(wǎng)頁(yè)特征的爬蟲(chóng)所抓取、存儲(chǔ)并索引的對(duì)象一般為網(wǎng)站或網(wǎng)頁(yè)。根據(jù)種子樣本獲取方式可分為：

（1）預(yù)先給定的初始抓取種子樣本。

（2）預(yù)先給定的網(wǎng)頁(yè)分類(lèi)目錄和與分類(lèi)目錄對(duì)應(yīng)的種子樣本，如Yahoo!分類(lèi)結(jié)構(gòu)等。

（3）通過(guò)用戶(hù)行為確定的抓取目標(biāo)樣例，分為：用戶(hù)瀏覽過(guò)程中顯示標(biāo)注的抓取樣本；通過(guò)用戶(hù)日志挖掘得到訪問(wèn)模式及相關(guān)樣本。

其中，網(wǎng)頁(yè)特征可以是網(wǎng)頁(yè)的內(nèi)容特征，也可以是網(wǎng)頁(yè)的鏈接結(jié)構(gòu)特征，等等。

2、基于目標(biāo)數(shù)據(jù)模式

基于目標(biāo)數(shù)據(jù)模式的爬蟲(chóng)針對(duì)的是網(wǎng)頁(yè)上的數(shù)據(jù)，所抓取的數(shù)據(jù)一般要符合一定的模式，或者可以轉(zhuǎn)化或映射為目標(biāo)數(shù)據(jù)模式。

3、基于領(lǐng)域概念

另一種描述方式是建立目標(biāo)領(lǐng)域的本體或詞典，用于從語(yǔ)義角度分析不同特征在某一主題中的重要程度。

三、怎么防止瀏覽網(wǎng)頁(yè)以及網(wǎng)站中病毒和木馬（謝絕不要進(jìn)入不健康網(wǎng)站的回答）

權(quán)限是計(jì)算機(jī)應(yīng)用中一個(gè)非常重要的概念，普通的用戶(hù)在使用中可能早已淡化了權(quán)限的真正意義，每個(gè)人都在用admin級(jí)別的賬號(hào)，同樣，網(wǎng)絡(luò)上的病毒、

木馬

也和你一起分享這個(gè)權(quán)限，于是瀏覽器甚至是系統(tǒng)的滅頂之災(zāi)就在所難免了。

如果把IE運(yùn)行權(quán)限降低，一些惡意網(wǎng)頁(yè)的動(dòng)作也就不能順利完成了。

最簡(jiǎn)單的辦法是換個(gè)身份運(yùn)行IE，在CMD下運(yùn)行命令“net user bigfrog 123456 /add”，建立一個(gè)用戶(hù)名為bigfrog，密碼為123456的受限帳戶(hù)，以后使用這個(gè)帳戶(hù)上網(wǎng)即可。

創(chuàng)建受限賬戶(hù)

接下來(lái)在桌面上建立一個(gè)IE快捷方式（使用IE快捷方式向?qū)В灰褂米烂鍵E創(chuàng)建），右擊快捷方式選擇“運(yùn)行方式”，在打開(kāi)的運(yùn)行身份窗口單選“下列用戶(hù)”，然后輸入上述受限帳戶(hù)的名稱(chēng)和密碼，單擊“確定”，這樣啟動(dòng)IE的用戶(hù)就是受限帳戶(hù)bigfrog。

這樣再次運(yùn)行IE等同于換一個(gè)身份后重新登錄運(yùn)行一樣，原來(lái)用戶(hù)的收藏夾、Cookies等并不會(huì)加載。同樣，網(wǎng)絡(luò)上的攻擊也只針對(duì)這個(gè)賬戶(hù)為對(duì)象，和我們的admin系統(tǒng)是沒(méi)有關(guān)系的。

現(xiàn)在你可以用受限用戶(hù)身份來(lái)測(cè)試一下。比如你遇到一個(gè)惡意代碼的網(wǎng)站，再次用bigfrog的IE登錄一下，系統(tǒng)會(huì)提示沒(méi)有權(quán)限更改配置。而對(duì)于那些捆綁了插件的網(wǎng)站，即使我們被強(qiáng)行

下載這個(gè)軟件并安裝，系統(tǒng)仍然會(huì)提示無(wú)法安裝。

插件無(wú)法運(yùn)行

對(duì)于權(quán)限限制的方式，我們?cè)谶@里再引申一下，告訴大家知道運(yùn)行的具體模式。其實(shí)系統(tǒng)是調(diào)用runas方式在模擬新用戶(hù)的運(yùn)行狀態(tài)。比如輸入“runas /user:bigfrog "C:\Program Files\Internet Explorer\IEXPLORE.EXE"”，一樣可以達(dá)到效果，同理，我們可以把容易遭受攻擊的程序都以這種方式運(yùn)行。

上面的方法雖然不錯(cuò)，但最麻煩的地方就是創(chuàng)建用戶(hù)，我們知道如果有很多用戶(hù)的話(huà)，不但管理起來(lái)麻煩，而且很有可能帶來(lái)更多的系統(tǒng)危機(jī)，這里推薦大家使用DropMyRights（

點(diǎn)擊下載

）。

使用默認(rèn)安裝方式，具體的使用語(yǔ)法如下：DropMyRights [N|C|U]

path是指應(yīng)用程序的路徑，N指基本用戶(hù)，C指受限用戶(hù)，U是指不信任用戶(hù)。如果要以受限用戶(hù)身份運(yùn)行IE瀏覽器，右擊桌面IE的快捷方式，然后在屬性窗口的“目標(biāo)”框輸入“"C:\DropMyRights\DropMyRights.exe" "C:\Program Files\Internet Explorer\IEXPLORE.EXE" C”，以后運(yùn)行這個(gè)快捷方式就可以用受限用戶(hù)身份運(yùn)行IE。同樣的，像OE、IM等病毒喜歡的對(duì)象，也可以用DropMyRights限制一下再運(yùn)行。

四、機(jī)器學(xué)習(xí)有哪些算法

樸素貝葉斯分類(lèi)器算法是最受歡迎的學(xué)習(xí)方法之一，按照相似性分類(lèi)，用流行的貝葉斯概率定理來(lái)建立機(jī)器學(xué)習(xí)模型，特別是用于疾病預(yù)測(cè)和文檔分類(lèi)。 它是基于貝葉斯概率定理的單詞的內(nèi)容的主觀分析的簡(jiǎn)單分類(lèi)。

什么時(shí)候使用機(jī)器學(xué)習(xí)算法 - 樸素貝葉斯分類(lèi)器？

（1）如果您有一個(gè)中等或大的訓(xùn)練數(shù)據(jù)集。

（2）如果實(shí)例具有幾個(gè)屬性。

（3）給定分類(lèi)參數(shù)，描述實(shí)例的屬性應(yīng)該是條件獨(dú)立的。

A．樸素貝葉斯分類(lèi)器的應(yīng)用

（1）情緒分析 - 用于Facebook分析表示積極或消極情緒的狀態(tài)更新。

（2）文檔分類(lèi) - Google使用文檔分類(lèi)來(lái)索引文檔并查找相關(guān)性分?jǐn)?shù)，即PageRank。 PageRank機(jī)制考慮在使用文檔分類(lèi)技術(shù)解析和分類(lèi)的數(shù)據(jù)庫(kù)中標(biāo)記為重要的頁(yè)面。

（3）樸素貝葉斯算法也用于分類(lèi)關(guān)于技術(shù)，娛樂(lè)，體育，政治等的新聞文章。

（4）電子郵件垃圾郵件過(guò)濾 - Google Mail使用NaïveBayes算法將您的電子郵件歸類(lèi)為垃圾郵件或非垃圾郵件。

B．樸素貝葉斯分類(lèi)器機(jī)器學(xué)習(xí)算法的優(yōu)點(diǎn)

（1）當(dāng)輸入變量是分類(lèi)時(shí)，樸素貝葉斯分類(lèi)器算法執(zhí)行得很好。

（2）當(dāng)樸素貝葉斯條件獨(dú)立假設(shè)成立時(shí)，樸素貝葉斯分類(lèi)器收斂更快，需要相對(duì)較少的訓(xùn)練數(shù)據(jù)，而不像其他判別模型，如邏輯回歸。

（3）使用樸素貝葉斯分類(lèi)器算法，更容易預(yù)測(cè)測(cè)試數(shù)據(jù)集的類(lèi)。 多等級(jí)預(yù)測(cè)的好賭注。

（4）雖然它需要條件獨(dú)立假設(shè)，但是樸素貝葉斯分類(lèi)器在各種應(yīng)用領(lǐng)域都表現(xiàn)出良好的性能。

Python中的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)NaïveBayes - Sci-Kit學(xué)習(xí)

數(shù)據(jù)科學(xué)圖書(shū)館在R實(shí)施樸素貝葉斯 - e1071

3.2 K均值聚類(lèi)算法

K-means是用于聚類(lèi)分析的普遍使用的無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法。 K-Means是一種非確定性和迭代的方法。 該算法通過(guò)預(yù)定數(shù)量的簇k對(duì)給定數(shù)據(jù)集進(jìn)行操作。 K Means算法的輸出是具有在簇之間分割的輸入數(shù)據(jù)的k個(gè)簇。

例如，讓我們考慮維基百科搜索結(jié)果的K均值聚類(lèi)。 維基百科上的搜索詞“Jaguar”將返回包含Jaguar這個(gè)詞的所有頁(yè)面，它可以將Jaguar稱(chēng)為Car，Jaguar稱(chēng)為Mac OS版本，Jaguar作為動(dòng)物。 K均值聚類(lèi)算法可以應(yīng)用于對(duì)描述類(lèi)似概念的網(wǎng)頁(yè)進(jìn)行分組。 因此，算法將把所有談?wù)摻荼木W(wǎng)頁(yè)作為一個(gè)動(dòng)物分組到一個(gè)集群，將捷豹作為一個(gè)汽車(chē)分組到另一個(gè)集群，等等。

A．使用K-means聚類(lèi)機(jī)學(xué)習(xí)算法的優(yōu)點(diǎn)

（1）在球狀簇的情況下，K-Means產(chǎn)生比層級(jí)聚類(lèi)更緊密的簇。

（2）給定一個(gè)較小的K值，K-Means聚類(lèi)計(jì)算比大量變量的層次聚類(lèi)更快。

B．K-Means聚類(lèi)的應(yīng)用

K Means Clustering算法被大多數(shù)搜索引擎（如Yahoo，Google）用于通過(guò)相似性對(duì)網(wǎng)頁(yè)進(jìn)行聚類(lèi)，并識(shí)別搜索結(jié)果的“相關(guān)率”。 這有助于搜索引擎減少用戶(hù)的計(jì)算時(shí)間。

Python中的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)K均值聚類(lèi) - SciPy，Sci-Kit學(xué)習(xí)，Python包裝

數(shù)據(jù)科學(xué)庫(kù)中的R實(shí)現(xiàn)K均值聚類(lèi) - 統(tǒng)計(jì)

3.3 支持向量機(jī)學(xué)習(xí)算法

支持向量機(jī)是一種分類(lèi)或回歸問(wèn)題的監(jiān)督機(jī)器學(xué)習(xí)算法，其中數(shù)據(jù)集教導(dǎo)關(guān)于類(lèi)的SVM，以便SVM可以對(duì)任何新數(shù)據(jù)進(jìn)行分類(lèi)。 它通過(guò)找到將訓(xùn)練數(shù)據(jù)集分成類(lèi)的線（超平面）將數(shù)據(jù)分類(lèi)到不同的類(lèi)中來(lái)工作。 由于存在許多這樣的線性超平面，SVM算法嘗試最大化所涉及的各種類(lèi)之間的距離，并且這被稱(chēng)為邊際最大化。 如果識(shí)別出最大化類(lèi)之間的距離的線，則增加對(duì)未看見(jiàn)數(shù)據(jù)良好推廣的概率。

A．SVM分為兩類(lèi)：

線性SVM - 在線性SVM中，訓(xùn)練數(shù)據(jù)，即分類(lèi)器由超平面分離。

非線性SVM在非線性SVM中，不可能使用超平面來(lái)分離訓(xùn)練數(shù)據(jù)。 例如，用于面部檢測(cè)的訓(xùn)練數(shù)據(jù)由作為面部的一組圖像和不是面部的另一組圖像（換句話(huà)說(shuō)，除了面部之外的所有其他圖像）組成。 在這種條件下，訓(xùn)練數(shù)據(jù)太復(fù)雜，不可能找到每個(gè)特征向量的表示。 將面的集合與非面的集線性分離是復(fù)雜的任務(wù)。

B．使用SVM的優(yōu)點(diǎn)

（1）SVM對(duì)訓(xùn)練數(shù)據(jù)提供最佳分類(lèi)性能（精度）。

（2）SVM為未來(lái)數(shù)據(jù)的正確分類(lèi)提供了更高的效率。

（3）SVM的最好的事情是它不對(duì)數(shù)據(jù)做任何強(qiáng)有力的假設(shè)。

（4）它不會(huì)過(guò)度擬合數(shù)據(jù)。

C．支持向量機(jī)的應(yīng)用

（1）SVM通常用于各種金融機(jī)構(gòu)的股票市場(chǎng)預(yù)測(cè)。 例如，它可以用來(lái)比較股票相對(duì)于同一行業(yè)中其他股票的表現(xiàn)的相對(duì)表現(xiàn)。 股票的相對(duì)比較有助于管理基于由SVM學(xué)習(xí)算法做出的分類(lèi)的投資決策。

（2）Python中的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)支持向量機(jī)-SciKit學(xué)習(xí)，PyML，SVMStruct Python，LIBSVM

（3）R中的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)支持向量機(jī) - klar，e1071

3.4 Apriori機(jī)器學(xué)習(xí)算法

Apriori算法是無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法，其從給定數(shù)據(jù)集生成關(guān)聯(lián)規(guī)則。 關(guān)聯(lián)規(guī)則意味著如果項(xiàng)目A出現(xiàn)，則項(xiàng)目B也以一定概率出現(xiàn)。 生成的大多數(shù)關(guān)聯(lián)規(guī)則采用IF_THEN格式。 例如，如果人們買(mǎi)了一個(gè)iPad，他們還買(mǎi)了一個(gè)iPad保護(hù)套。 為了得到這樣的結(jié)論的算法，它首先觀察購(gòu)買(mǎi)iPad的人購(gòu)買(mǎi)iPad的人數(shù)。 這樣一來(lái)，比例就像100個(gè)購(gòu)買(mǎi)iPad的人一樣，85個(gè)人還購(gòu)買(mǎi)了一個(gè)iPad案例。

A．Apriori機(jī)器學(xué)習(xí)算法的基本原理：

如果項(xiàng)集合頻繁出現(xiàn)，則項(xiàng)集合的所有子集也頻繁出現(xiàn)。

如果項(xiàng)集合不經(jīng)常出現(xiàn)，則項(xiàng)集合的所有超集都不經(jīng)常出現(xiàn)。

B．先驗(yàn)算法的優(yōu)點(diǎn)

（1）它易于實(shí)現(xiàn)并且可以容易地并行化。

（2）Apriori實(shí)現(xiàn)使用大項(xiàng)目集屬性。

C.Apriori算法應(yīng)用

檢測(cè)不良藥物反應(yīng)

Apriori算法用于關(guān)于醫(yī)療數(shù)據(jù)的關(guān)聯(lián)分析，例如患者服用的藥物，每個(gè)患者的特征，不良的不良反應(yīng)患者體驗(yàn)，初始診斷等。該分析產(chǎn)生關(guān)聯(lián)規(guī)則，其幫助識(shí)別患者特征和藥物的組合 導(dǎo)致藥物的不良副作用。

市場(chǎng)籃子分析

許多電子商務(wù)巨頭如亞馬遜使用Apriori來(lái)繪制數(shù)據(jù)洞察，哪些產(chǎn)品可能是一起購(gòu)買(mǎi)，哪些是最響應(yīng)促銷(xiāo)。 例如，零售商可能使用Apriori預(yù)測(cè)購(gòu)買(mǎi)糖和面粉的人很可能購(gòu)買(mǎi)雞蛋來(lái)烘烤蛋糕。

自動(dòng)完成應(yīng)用程序

Google自動(dòng)完成是Apriori的另一個(gè)流行的應(yīng)用程序，其中 - 當(dāng)用戶(hù)鍵入單詞時(shí)，搜索引擎尋找人們通常在特定單詞之后鍵入的其他相關(guān)聯(lián)的單詞。

Python中的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)Apriori機(jī)器學(xué)習(xí)算法 - 在PyPi中有一個(gè)python實(shí)現(xiàn)Apriori

數(shù)據(jù)科學(xué)庫(kù)在R中實(shí)現(xiàn)Apriori機(jī)器學(xué)習(xí)算法 – arules

3.5 線性回歸機(jī)器學(xué)習(xí)算法

線性回歸算法顯示了2個(gè)變量之間的關(guān)系，以及一個(gè)變量中的變化如何影響另一個(gè)變量。 該算法顯示了在改變自變量時(shí)對(duì)因變量的影響。 自變量被稱(chēng)為解釋變量，因?yàn)樗鼈兘忉屃艘蜃兞繉?duì)因變量的影響。 依賴(lài)變量通常被稱(chēng)為感興趣的因子或預(yù)測(cè)因子。

A．線性回歸機(jī)器學(xué)習(xí)算法的優(yōu)點(diǎn)

（1）它是最可解釋的機(jī)器學(xué)習(xí)算法之一，使得它很容易解釋給別人。

（2）它易于使用，因?yàn)樗枰钚〉恼{(diào)諧。

（3）它是最廣泛使用的機(jī)器學(xué)習(xí)技術(shù)運(yùn)行快。

B．線性回歸算法應(yīng)用

估計(jì)銷(xiāo)售額

線性回歸在業(yè)務(wù)中有很大的用途，基于趨勢(shì)的銷(xiāo)售預(yù)測(cè)。如果公司每月的銷(xiāo)售額穩(wěn)步增長(zhǎng) - 對(duì)月度銷(xiāo)售數(shù)據(jù)的線性回歸分析有助于公司預(yù)測(cè)未來(lái)幾個(gè)月的銷(xiāo)售額。

風(fēng)險(xiǎn)評(píng)估

線性回歸有助于評(píng)估涉及保險(xiǎn)或金融領(lǐng)域的風(fēng)險(xiǎn)。健康保險(xiǎn)公司可以對(duì)每個(gè)客戶(hù)的索賠數(shù)量與年齡進(jìn)行線性回歸分析。這種分析有助于保險(xiǎn)公司發(fā)現(xiàn)，老年顧客傾向于提出更多的保險(xiǎn)索賠。這樣的分析結(jié)果在重要的商業(yè)決策中起著至關(guān)重要的作用，并且是為了解決風(fēng)險(xiǎn)。

Python中的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)線性回歸 - statsmodel和SciKit

R中的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)線性回歸 - 統(tǒng)計(jì)

3.6 決策樹(shù)機(jī)器學(xué)習(xí)算法

你正在制作一個(gè)周末計(jì)劃，去訪問(wèn)最好的餐館在城里，因?yàn)槟愕母改冈L問(wèn)，但你是猶豫的決定在哪家餐廳選擇。每當(dāng)你想去一家餐館，你問(wèn)你的朋友提利昂如果他認(rèn)為你會(huì)喜歡一個(gè)特定的地方。為了回答你的問(wèn)題，提利昂首先要找出，你喜歡的那種餐館。你給他一個(gè)你去過(guò)的餐館列表，告訴他你是否喜歡每個(gè)餐廳（給出一個(gè)標(biāo)記的訓(xùn)練數(shù)據(jù)集）。當(dāng)你問(wèn)提利昂你是否想要一個(gè)特定的餐廳R，他問(wèn)你各種問(wèn)題，如“是”R“屋頂餐廳？”，“餐廳”R“服務(wù)意大利菜嗎？”，現(xiàn)場(chǎng)音樂(lè)？“，”餐廳R是否營(yíng)業(yè)至午夜？“等等。提利昂要求您提供幾個(gè)信息問(wèn)題，以最大限度地提高信息收益，并根據(jù)您對(duì)問(wèn)卷的答案給予YES或NO回答。這里Tyrion是你最喜歡的餐廳偏好的決策樹(shù)。

決策樹(shù)是一種圖形表示，其使用分支方法來(lái)基于某些條件來(lái)例示決策的所有可能的結(jié)果。在決策樹(shù)中，內(nèi)部節(jié)點(diǎn)表示對(duì)屬性的測(cè)試，樹(shù)的每個(gè)分支表示測(cè)試的結(jié)果，葉節(jié)點(diǎn)表示特定類(lèi)標(biāo)簽，即在計(jì)算所有屬性之后作出的決定。分類(lèi)規(guī)則通過(guò)從根到葉節(jié)點(diǎn)的路徑來(lái)表示。

A．決策樹(shù)的類(lèi)型

（1）分類(lèi)樹(shù) - 這些被視為用于基于響應(yīng)變量將數(shù)據(jù)集分成不同類(lèi)的默認(rèn)種類(lèi)的決策樹(shù)。 這些通常在響應(yīng)變量本質(zhì)上是分類(lèi)時(shí)使用。

（2）回歸樹(shù) - 當(dāng)響應(yīng)或目標(biāo)變量是連續(xù)或數(shù)字時(shí)，使用回歸樹(shù)。 與分類(lèi)相比，這些通常用于預(yù)測(cè)類(lèi)型的問(wèn)題。

根據(jù)目標(biāo)變量的類(lèi)型 - 連續(xù)變量決策樹(shù)和二進(jìn)制變量決策樹(shù)，決策樹(shù)也可以分為兩種類(lèi)型。 它是有助于決定對(duì)于特定問(wèn)題需要什么樣的決策樹(shù)的目標(biāo)變量。

B．為什么選擇決策樹(shù)算法？

（1）這些機(jī)器學(xué)習(xí)算法有助于在不確定性下作出決策，并幫助您改善溝通，因?yàn)樗麄兲峁┝藳Q策情況的可視化表示。

（2）決策樹(shù)機(jī)器學(xué)習(xí)算法幫助數(shù)據(jù)科學(xué)家捕獲這樣的想法：如果采取了不同的決策，那么情境或模型的操作性質(zhì)將如何劇烈變化。

（3）決策樹(shù)算法通過(guò)允許數(shù)據(jù)科學(xué)家遍歷前向和后向計(jì)算路徑來(lái)幫助做出最佳決策。

C．何時(shí)使用決策樹(shù)機(jī)器學(xué)習(xí)算法

（1）決策樹(shù)對(duì)錯(cuò)誤是魯棒的，并且如果訓(xùn)練數(shù)據(jù)包含錯(cuò)誤，則決策樹(shù)算法將最適合于解決這樣的問(wèn)題。

（2）決策樹(shù)最適合于實(shí)例由屬性值對(duì)表示的問(wèn)題。

（3）如果訓(xùn)練數(shù)據(jù)具有缺失值，則可以使用決策樹(shù)，因?yàn)樗鼈兛梢酝ㄟ^(guò)查看其他列中的數(shù)據(jù)來(lái)很好地處理丟失的值。

（4）當(dāng)目標(biāo)函數(shù)具有離散輸出值時(shí)，決策樹(shù)是最適合的。

D.決策樹(shù)的優(yōu)點(diǎn)

（1）決策樹(shù)是非常本能的，可以向任何人輕松解釋。來(lái)自非技術(shù)背景的人，也可以解釋從決策樹(shù)繪制的假設(shè)，因?yàn)樗麄兪遣谎宰悦鞯摹?/p>

（2）當(dāng)使用決策樹(shù)機(jī)器學(xué)習(xí)算法時(shí)，數(shù)據(jù)類(lèi)型不是約束，因?yàn)樗鼈兛梢蕴幚矸诸?lèi)和數(shù)值變量。

（3）決策樹(shù)機(jī)器學(xué)習(xí)算法不需要對(duì)數(shù)據(jù)中的線性進(jìn)行任何假設(shè)，因此可以在參數(shù)非線性相關(guān)的情況下使用。這些機(jī)器學(xué)習(xí)算法不對(duì)分類(lèi)器結(jié)構(gòu)和空間分布做出任何假設(shè)。

（4）這些算法在數(shù)據(jù)探索中是有用的。決策樹(shù)隱式執(zhí)行特征選擇，這在預(yù)測(cè)分析中非常重要。當(dāng)決策樹(shù)適合于訓(xùn)練數(shù)據(jù)集時(shí)，在其上分割決策樹(shù)的頂部的節(jié)點(diǎn)被認(rèn)為是給定數(shù)據(jù)集內(nèi)的重要變量，并且默認(rèn)情況下完成特征選擇。

（5）決策樹(shù)有助于節(jié)省數(shù)據(jù)準(zhǔn)備時(shí)間，因?yàn)樗鼈儗?duì)缺失值和異常值不敏感。缺少值不會(huì)阻止您拆分構(gòu)建決策樹(shù)的數(shù)據(jù)。離群值也不會(huì)影響決策樹(shù)，因?yàn)榛诜至逊秶鷥?nèi)的一些樣本而不是準(zhǔn)確的絕對(duì)值發(fā)生數(shù)據(jù)分裂。

E.決策樹(shù)的缺點(diǎn)

（1）樹(shù)中決策的數(shù)量越多，任何預(yù)期結(jié)果的準(zhǔn)確性越小。

（2）決策樹(shù)機(jī)器學(xué)習(xí)算法的主要缺點(diǎn)是結(jié)果可能基于預(yù)期。當(dāng)實(shí)時(shí)做出決策時(shí)，收益和產(chǎn)生的結(jié)果可能與預(yù)期或計(jì)劃不同。有機(jī)會(huì)，這可能導(dǎo)致不現(xiàn)實(shí)的決策樹(shù)導(dǎo)致錯(cuò)誤的決策。任何不合理的期望可能導(dǎo)致決策樹(shù)分析中的重大錯(cuò)誤和缺陷，因?yàn)椴⒉豢偸强赡苡?jì)劃從決策可能產(chǎn)生的所有可能性。

（3）決策樹(shù)不適合連續(xù)變量，并導(dǎo)致不穩(wěn)定性和分類(lèi)高原。

（4）與其他決策模型相比，決策樹(shù)很容易使用，但是創(chuàng)建包含幾個(gè)分支的大決策樹(shù)是一個(gè)復(fù)雜和耗時(shí)的任務(wù)。

（5）決策樹(shù)機(jī)器學(xué)習(xí)算法一次只考慮一個(gè)屬性，并且可能不是最適合于決策空間中的實(shí)際數(shù)據(jù)。

（6）具有多個(gè)分支的大尺寸決策樹(shù)是不可理解的，并且造成若干呈現(xiàn)困難。

F.決策樹(shù)機(jī)器學(xué)習(xí)算法的應(yīng)用

（1）決策樹(shù)是流行的機(jī)器學(xué)習(xí)算法之一，它在財(cái)務(wù)中對(duì)期權(quán)定價(jià)有很大的用處。

（2）遙感是基于決策樹(shù)的模式識(shí)別的應(yīng)用領(lǐng)域。

（3）銀行使用決策樹(shù)算法按貸款申請(qǐng)人違約付款的概率對(duì)其進(jìn)行分類(lèi)。

（4）Gerber產(chǎn)品公司，一個(gè)流行的嬰兒產(chǎn)品公司，使用決策樹(shù)機(jī)器學(xué)習(xí)算法來(lái)決定他們是否應(yīng)繼續(xù)使用塑料PVC（聚氯乙烯）在他們的產(chǎn)品。

（5）Rush大學(xué)醫(yī)學(xué)中心開(kāi)發(fā)了一個(gè)名為Guardian的工具，它使用決策樹(shù)機(jī)器學(xué)習(xí)算法來(lái)識(shí)別有風(fēng)險(xiǎn)的患者和疾病趨勢(shì)。

Python語(yǔ)言中的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)決策樹(shù)機(jī)器學(xué)習(xí)算法是 - SciPy和Sci-Kit學(xué)習(xí)。

R語(yǔ)言中的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)決策樹(shù)機(jī)器學(xué)習(xí)算法是插入符號(hào)。

3.7 隨機(jī)森林機(jī)器學(xué)習(xí)算法

讓我們繼續(xù)我們?cè)跊Q策樹(shù)中使用的同樣的例子，來(lái)解釋隨機(jī)森林機(jī)器學(xué)習(xí)算法如何工作。提利昂是您的餐廳偏好的決策樹(shù)。然而，提利昂作為一個(gè)人并不總是準(zhǔn)確地推廣你的餐廳偏好。要獲得更準(zhǔn)確的餐廳推薦，你問(wèn)一對(duì)夫婦的朋友，并決定訪問(wèn)餐廳R，如果大多數(shù)人說(shuō)你會(huì)喜歡它。而不是只是問(wèn)Tyrion，你想問(wèn)問(wèn)Jon Snow，Sandor，Bronn和Bran誰(shuí)投票決定你是否喜歡餐廳R或不。這意味著您已經(jīng)構(gòu)建了決策樹(shù)的合奏分類(lèi)器 - 也稱(chēng)為森林。

你不想讓所有的朋友給你相同的答案 - 所以你提供每個(gè)朋友略有不同的數(shù)據(jù)。你也不確定你的餐廳偏好，是在一個(gè)困境。你告訴提利昂你喜歡開(kāi)頂屋頂餐廳，但也許，只是因?yàn)樗窃谙奶?，?dāng)你訪問(wèn)的餐廳，你可能已經(jīng)喜歡它。在寒冷的冬天，你可能不是餐廳的粉絲。因此，所有的朋友不應(yīng)該利用你喜歡打開(kāi)的屋頂餐廳的數(shù)據(jù)點(diǎn)，以提出他們的建議您的餐廳偏好。

通過(guò)為您的朋友提供略微不同的餐廳偏好數(shù)據(jù)，您可以讓您的朋友在不同時(shí)間向您詢(xún)問(wèn)不同的問(wèn)題。在這種情況下，只是稍微改變你的餐廳偏好，你是注入隨機(jī)性在模型級(jí)別（不同于決策樹(shù)情況下的數(shù)據(jù)級(jí)別的隨機(jī)性）。您的朋友群現(xiàn)在形成了您的餐廳偏好的隨機(jī)森林。

隨機(jī)森林是一種機(jī)器學(xué)習(xí)算法，它使用裝袋方法來(lái)創(chuàng)建一堆隨機(jī)數(shù)據(jù)子集的決策樹(shù)。模型在數(shù)據(jù)集的隨機(jī)樣本上進(jìn)行多次訓(xùn)練，以從隨機(jī)森林算法中獲得良好的預(yù)測(cè)性能。在該整體學(xué)習(xí)方法中，將隨機(jī)森林中所有決策樹(shù)的輸出結(jié)合起來(lái)進(jìn)行最終預(yù)測(cè)。隨機(jī)森林算法的最終預(yù)測(cè)通過(guò)輪詢(xún)每個(gè)決策樹(shù)的結(jié)果或者僅僅通過(guò)使用在決策樹(shù)中出現(xiàn)最多次的預(yù)測(cè)來(lái)導(dǎo)出。

例如，在上面的例子 - 如果5個(gè)朋友決定你會(huì)喜歡餐廳R，但只有2個(gè)朋友決定你不會(huì)喜歡的餐廳，然后最后的預(yù)測(cè)是，你會(huì)喜歡餐廳R多數(shù)總是勝利。

A.為什么使用隨機(jī)森林機(jī)器學(xué)習(xí)算法？

（1）有很多好的開(kāi)源，在Python和R中可用的算法的自由實(shí)現(xiàn)。

（2）它在缺少數(shù)據(jù)時(shí)保持準(zhǔn)確性，并且還能抵抗異常值。

（3）簡(jiǎn)單的使用作為基本的隨機(jī)森林算法可以實(shí)現(xiàn)只用幾行代碼。

（4）隨機(jī)森林機(jī)器學(xué)習(xí)算法幫助數(shù)據(jù)科學(xué)家節(jié)省數(shù)據(jù)準(zhǔn)備時(shí)間，因?yàn)樗鼈儾恍枰魏屋斎霚?zhǔn)備，并且能夠處理數(shù)字，二進(jìn)制和分類(lèi)特征，而無(wú)需縮放，變換或修改。

（5）隱式特征選擇，因?yàn)樗o出了什么變量在分類(lèi)中是重要的估計(jì)。

B.使用隨機(jī)森林機(jī)器學(xué)習(xí)算法的優(yōu)點(diǎn)

（1）與決策樹(shù)機(jī)器學(xué)習(xí)算法不同，過(guò)擬合對(duì)隨機(jī)森林不是一個(gè)問(wèn)題。沒(méi)有必要修剪隨機(jī)森林。

（2）這些算法很快，但不是在所有情況下。隨機(jī)森林算法當(dāng)在具有100個(gè)變量的數(shù)據(jù)集的800MHz機(jī)器上運(yùn)行時(shí)，并且50,000個(gè)案例在11分鐘內(nèi)產(chǎn)生100個(gè)決策樹(shù)。

（3）隨機(jī)森林是用于各種分類(lèi)和回歸任務(wù)的最有效和通用的機(jī)器學(xué)習(xí)算法之一，因?yàn)樗鼈儗?duì)噪聲更加魯棒。

（4）很難建立一個(gè)壞的隨機(jī)森林。在隨機(jī)森林機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn)中，容易確定使用哪些參數(shù)，因?yàn)樗鼈儗?duì)用于運(yùn)行算法的參數(shù)不敏感。一個(gè)人可以輕松地建立一個(gè)體面的模型沒(méi)有太多的調(diào)整

（5）隨機(jī)森林機(jī)器學(xué)習(xí)算法可以并行生長(zhǎng)。

（6）此算法在大型數(shù)據(jù)庫(kù)上高效運(yùn)行。

（7）具有較高的分類(lèi)精度。

C.使用隨機(jī)森林機(jī)器學(xué)習(xí)算法的缺點(diǎn)

他們可能很容易使用，但從理論上分析它們是很困難的。

隨機(jī)森林中大量的決策樹(shù)可以減慢算法進(jìn)行實(shí)時(shí)預(yù)測(cè)。

如果數(shù)據(jù)由具有不同級(jí)別數(shù)量的分類(lèi)變量組成，則算法會(huì)偏好具有更多級(jí)別的那些屬性。 在這種情況下，可變重要性分?jǐn)?shù)似乎不可靠。

當(dāng)使用RandomForest算法進(jìn)行回歸任務(wù)時(shí)，它不會(huì)超出訓(xùn)練數(shù)據(jù)中響應(yīng)值的范圍。

D.隨機(jī)森林機(jī)器學(xué)習(xí)算法的應(yīng)用

（1）隨機(jī)森林算法被銀行用來(lái)預(yù)測(cè)貸款申請(qǐng)人是否可能是高風(fēng)險(xiǎn)。

（2）它們用于汽車(chē)工業(yè)中以預(yù)測(cè)機(jī)械部件的故障或故障。

（3）這些算法用于醫(yī)療保健行業(yè)以預(yù)測(cè)患者是否可能發(fā)展成慢性疾病。

（4）它們還可用于回歸任務(wù)，如預(yù)測(cè)社交媒體份額和績(jī)效分?jǐn)?shù)的平均數(shù)。

（5）最近，該算法也已經(jīng)被用于預(yù)測(cè)語(yǔ)音識(shí)別軟件中的模式并對(duì)圖像和文本進(jìn)行分類(lèi)。

Python語(yǔ)言中的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)隨機(jī)森林機(jī)器學(xué)習(xí)算法是Sci-Kit學(xué)習(xí)。

R語(yǔ)言的數(shù)據(jù)科學(xué)庫(kù)實(shí)現(xiàn)隨機(jī)森林機(jī)器學(xué)習(xí)算法randomForest。

以上就是關(guān)于網(wǎng)頁(yè)分類(lèi)算法相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢(xún)，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。

推薦閱讀：

微信PC網(wǎng)頁(yè)版

手機(jī)可看的網(wǎng)頁(yè)（手機(jī)可看的網(wǎng)頁(yè)軟件）

免費(fèi)網(wǎng)頁(yè)視頻提取app（免費(fèi)網(wǎng)頁(yè)視頻提取軟件app）

信息網(wǎng)絡(luò)傳播視聽(tīng)節(jié)目許可證（信息網(wǎng)絡(luò)傳播視聽(tīng)節(jié)目許可證多少錢(qián)）

安徽花園景觀設(shè)計(jì)價(jià)錢(qián)表（安徽花園景觀設(shè)計(jì)價(jià)錢(qián)表最新）