数据挖掘中常见的分类方法有哪些 判别分析、规则归纳、决策树、神经网络、K最近邻、基于案例的推理、遗传算法等等挺多的，这个问题范围太大了，云速数据挖掘分类挺多。
数据挖掘中分类、预测、聚类的定义和区别。
用于数据挖掘的分类算法有哪些，各有何优劣？ 尝试将quora上的这翻译了下。第一次翻译，不好之处请见谅。What are the advantages of different…
数据挖掘分类方法决策树可以分多类么 1.C&R 树classification and regression trees 是一种基于树的分类和预测方法，模型使用简单，易于理解（规则解释起来更简明易），该方法通过在每个步骤最大限度降低不纯洁度，使用递归分区来将训练记录分割为组。然后，可根据使用的建模方法在每个分割处自动选择最合适的预测变量。如果节点中100%的观测值都属于目标字段的一个特定类别，则该节点将被认定为“纯洁”。目标和预测变量字段可以是范围字段，也可以是分类字段；所有分割均为二元分割（即分割为两组）。分割标准用的是基尼系数(Gini Index)。2.QUEST决策树优点：运算过程比C&R 树更简单有效quick unbiased efficient statistical tree（快速无偏有效的统计树）QUEST 节点可提供用于构建决策树的二元分类法，此方法的设计目的是减少大型 C&R 决策树分析所需的处理时间，同时减小分类树方法中常见的偏向类别较多预测变量的趋势。预测变量字段可以是数字范围的，但目标字段必须是分类的。所有分割都是二元的。3.CHAID决策树优点(chi-squared automatic interaction detection，卡方自动交互检测)，通过使用卡方统计量识别最优分割来构建决策树的分类方法。转载，仅供参考。
用于数据挖掘的聚类算法有哪些，各有何优势？ （https：//www. coursera.org/course/ml）A List of Data Science and Machine Learning http：//conductrics.com/data-science-resources/） 转载自 THU数据派 官方微信公众。
数据挖掘中分类、预测、聚类的定义和区别。 sc-cpda 数据分析师公众交流平台 详细看我资料区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。例如，具有高GPA 的学生的一般特性可被用来与具有低GPA 的一般特性比较。最终的描述可能是学生的一个一般可比较的轮廓，就像具有高GPA 的学生的75%是四年级计算机科学专业的学生，而具有低GPA 的学生的65%不是。关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。例如，一个数据挖掘系统可能发现的关联规则为：major(X，“computing science”)？ owns(X，“personal computer”)[support=12%，confidence=98%]其中，X 是一个表示学生的变量。这个规则指出正在学习的学生，12%（支持度）主修计算机科学并且拥有一台个人计算机。这个组一个学生拥有一台个人电脑的概率是98%（置信度，或确定度）。分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型（或功能），而后者是建立一个模型去预测缺失的或无效的、并且通常是数字的数据值。它们的相似性是他们都是预测的工具：分类被用作预测目标数据的类的标签，而预测典型的应用是预测缺失的数字型数据的值。聚类分析的数据对象不考虑已知的。
常用的数据挖掘算法有哪几类？ 可以2113参5261考41021653https：//wizardforcel.gitbooks.io/dm-algo-top10/content/index.html
