数据挖掘的十大经典算法，总算是讲清楚了，想提升自己的赶快收藏

算法是一种与语言无关的东西，更确切地说就算解决问题的思路，就是一个通用的思想的问题。代码本身不重要，算法思想才是重中之重

我们在面试的时候总会被问到一下算法，虽然算法是一些基础知识，但是难起来也会让人非常头疼。

排序算法应该算是一些简单且基础的算法，但是我们可以从简单的算法排序锻炼我们的算法思维。这里我就介绍经典十大算法用python是怎么实现的。

十大经典算法可以分为两大类：

比较排序： 通过对数组中的元素进行比较来实现排序。

非比较排序： 不通过比较来决定元素间的相对次序。

算法复杂度

冒泡排序比较简单，几乎所有语言算法都会涉及的冒泡算法。

基本原理是两两比较待排序数据的大小 ，当两个数据的次序不满足顺序条件时即进行交换，反之，则保持不变。

每次选择一个最小（大）的，直到所有元素都被输出。

将第一个元素逐个插入到前面的有序数中，直到插完所有元素为止。

从大范围到小范围进行比较-交换，是插入排序的一种，它是针对直接插入排序算法的改进。先对数据进行预处理，使其基本有序，然后再用直接插入的排序算法排序。

该算法是采用 分治法 对集合进行排序。

把长度为n的输入序列分成两个长度为n/2的子序列，对这两个子序列分别采用归并排序，最终合并成序列。

选取一个基准值，小数在左大数在在右。

利用堆这种数据结构所设计的一种排序算法。

堆是一个近似完全二叉树的结构，并同时满足堆积的性质：即子结点的键值或索引总是小于（或者大于）它的父节点。利用最大堆和最小堆的特性。

采用字典计数-还原的方法，找出待排序的数组中最大和最小的元素，统计数组中每个值为i的元素出现的次数，对所有的计数累加，将每个元素放在新数组依次排序。

设置一个定量的数组当作空桶；遍历输入数据，并且把数据一个一个放到对应的桶里去；对每个不是空的桶进行排序；从不是空的桶里把排好序的数据拼接起来。

元素分布在桶中：

然后，元素在每个桶中排序：

取得数组中的最大数，并取得位数；从最低位开始取每个位组成新的数组；然后进行计数排序。

上面就是我整理的十大排序算法，希望能帮助大家在算法方面知识的提升。看懂之后可以去试着自己到电脑上运行一遍。最后说一下每个排序是没有调用数据的，大家记得实操的时候要调用。

参考地址：https://www.runoob.com/w3cnote/ten-sorting-algorithm.html

1.朴素贝叶斯，超级简单，就像做一些数数的工作。如果条件独立假设成立的话，NB将比鉴别模型收敛的更快，所以你只需要少量的训练数据。即使条件独立假设不成立，NB在实际中仍然表现出惊人的好。

2. Logistic回归，LR有很多方法来对模型正则化。比起NB的条件独立性假设，LR不需要考虑样本是否是相关的。与决策树与支持向量机不同，NB有很好的概率解释，且很容易利用新的训练数据来更新模型。如果你想要一些概率信息或者希望将来有更多数据时能方便的更新改进模型，LR是值得使用的。

3.决策树，DT容易理解与解释。DT是非参数的，所以你不需要担心野点（或离群点）和数据是否线性可分的问题，DT的主要缺点是容易过拟合，这也正是随机森林等集成学习算法被提出来的原因。

4.支持向量机，很高的分类正确率，对过拟合有很好的理论保证，选取合适的核函数，面对特征线性不可分的问题也可以表现得很好。SVM在维数通常很高的文本分类中非常的流行。

如果想要或许更多更详细的讯息，建议您去参加CDA数据分析课程。大数据分析师现在有专业的国际认证证书了，CDA，即“CDA 数据分析师”，是在数字经济大背景和人工智能时代趋势下，面向全行业的专业权威国际资格认证， 旨在提升全民数字技能，助力企业数字化转型，推动行业数字化发展。 “CDA 数据分析师”具体指在互联网、金融、零售、咨询、电信、医疗、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、 提供决策的新型数据分析人才。点击预约免费试听课。

在此推出一个算法系列的科普文章。我们大家在平时埋头工程类工作之余，也可以抽身对一些常见算法进行了解，这不仅可以帮助我们拓宽思路，从另一个维度加深对计算机技术领域的理解，做到触类旁通，同时也可以让我们搞清楚一些既熟悉又陌生的领域——比如数据挖掘、大数据、机器学习——的基本原理，揭开它们的神秘面纱，了解到其实很多看似高深的领域，其实背后依据的基础和原理也并不复杂。而且，掌握各类算法的特点、优劣和适用场景，是真正从事数据挖掘工作的重中之重。只有熟悉算法，才可能对纷繁复杂的现实问题合理建模，达到最佳预期效果。

本系列文章的目的是力求用最干练而生动的讲述方式，为大家讲解由国际权威的学术组织the IEEE International Conference on Data Mining (ICDM) 于2006年12月评选出的数据挖掘领域的十大经典算法。它们包括：

本文作为本系列的第一篇，在介绍具体算法之前，先简单为大家铺垫几个数据挖掘领域的常见概念：

在数据挖掘领域，按照算法本身的行为模式和使用目的，主要可以分为分类(classification)，聚类(clustering)和回归(regression)几种，其中：

打几个不恰当的比方 ：

另外，还有一个经常有人问起的问题，就是 数据挖掘 和 机器学习 这两个概念的区别，这里一句话阐明我自己的认识：机器学习是基础，数据挖掘是应用。机器学习研制出各种各样的算法，数据挖掘根据应用场景把这些算法合理运用起来，目的是达到最好的挖掘效果。

当然，以上的简单总结一定不够准确和严谨，更多的是为了方便大家理解打的比方。如果大家有更精当的理解，欢迎补充和交流。

好了，铺垫了这么多，现在终于进入正题！

作为本系列入门的第一篇，先为大家介绍一个容易理解又很有趣的算法—— 朴素贝叶斯 。

先站好队，朴素贝叶斯是一个典型的 有监督的分类算法 。

光从名字也可以想到，要想了解朴素贝叶斯，先要从 贝叶斯定理 说起。

贝叶斯定理是我们高中时代学过的一条概率学基础定理，它描述了条件概率的计算方式。不要怕已经把这些知识还给了体育老师，相信你一看公式就能想起来。

P(A|B)表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为：

其中，P(AB)表示A和B同时发生的概率，P(B)标识B事件本身的概率。

贝叶斯定理之所以有用，是因为我们在生活中经常遇到这种情况：我们可以很容易直接得出P(A|B)，P(B|A)则很难直接得出，但我们更关心P(B|A)。

而贝叶斯定理就为我们打通从P(A|B)获得P(B|A)的道路。

下面不加证明地直接给出贝叶斯定理：

有了贝叶斯定理这个基础，下面来看看朴素贝叶斯算法的基本思路。

你看，其思想就是这么的朴素。那么，属于每个分类的概率该怎么计算呢？下面我们先祭出形式化语言！

那么现在的关键就是如何计算第3步中的各个条件概率。我们可以这么做：

因为分母对于所有类别为常数，因为我们只要将分子最大化皆可。又因为各特征属性是条件独立的，所以有：

如果你也跟我一样，对形式化语言有严重生理反应，不要怕，直接跳过前面这一坨，我们通过一个鲜活的例子，用人类的语言再解释一遍这个过程。

某个医院早上收了六个门诊病人，如下表。

现在又来了第七个病人，是一个打喷嚏的建筑工人。请问他最有可能患有何种疾病？

本质上，这就是一个典型的分类问题， 症状 和 职业 是特征属性， 疾病种类 是目标类别

根据 贝叶斯定理

可得

假定"打喷嚏"和"建筑工人"这两个特征是独立的，因此，上面的等式就变成了

这是可以计算的。

因此，这个打喷嚏的建筑工人，有66%的概率是得了感冒。同理，可以计算这个病人患上过敏或脑震荡的概率。比较这几个概率，就可以知道他最可能得什么病。

接下来，我们再举一个朴素贝叶斯算法在实际中经常被使用的场景的例子—— 文本分类器 ，通常会用来识别垃圾邮件。

首先，我们可以把一封邮件的内容抽象为由若干关键词组成的集合，这样是否包含每种关键词就成了一封邮件的特征值，而目标类别就是 属于垃圾邮件 或 不属于垃圾邮件

假设每个关键词在一封邮件里出现与否的概率相互之间是独立的，那么只要我们有若干已经标记为垃圾邮件和非垃圾邮件的样本作为训练集，那么就可以得出，在全部垃圾邮件（记为Trash）出现某个关键词Wi的概率，即 P(Wi|Trash)

而我们最重要回答的问题是，给定一封邮件内容M，它属于垃圾邮件的概率是多大，即 P(Trash|M)

根据贝叶斯定理，有

我们先来看分子：

P(M|Trash) 可以理解为在垃圾邮件这个范畴中遇见邮件M的概率，而一封邮件M是由若干单词Wi独立汇聚组成的，只要我们所掌握的单词样本足够多，因此就可以得到

这些值我们之前已经可以得到了。

再来看分子里的另一部分 P(Trash) ，这个值也就是垃圾邮件的总体概率，这个值显然很容易得到，用训练集中垃圾邮件数除以总数即可。

而对于分母来说，我们虽然也可以去计算它，但实际上已经没有必要了，因为我们要比较的 P(Trash|M) 和 P(non-Trash|M) 的分母都是一样的，因此只需要比较分子大小即可。

这样一来，我们就可以通过简单的计算，比较邮件M属于垃圾还是非垃圾二者谁的概率更大了。

朴素贝叶斯的英文叫做 Naive Bayes ，直译过来其实是 天真的贝叶斯 ，那么他到底天真在哪了呢？

这主要是因为朴素贝叶斯的基本假设是所有特征值之间都是相互独立的，这才使得概率直接相乘这种简单计算方式得以实现。然而在现实生活中，各个特征值之间往往存在一些关联，比如上面的例子，一篇文章中不同单词之间一定是有关联的，比如有些词总是容易同时出现。

因此，在经典朴素贝叶斯的基础上，还有更为灵活的建模方式—— 贝叶斯网络（Bayesian Belief Networks, BBN） ，可以单独指定特征值之间的是否独立。这里就不展开了，有兴趣的同学们可以做进一步了解。

最后我们来对这个经典算法做个点评：

优点：

缺点：

好了，对于 朴素贝叶斯 的介绍就到这里，不知道各位看完之后是否会对数据挖掘这个领域产生了一点兴趣了呢？

随着生活水平提高，以及日常生活中越来越离不开智能设备，家里有一大堆的物联网设计，而出行有车联网，其目的就是让生活更加方便，车联网是 汽车 搭载无线通信系统，实现数据的交换共享，从而让交通更有秩序， 汽车 更加智能，那么目前市场上的 汽车 都搭载那些车联网呢？让我们一块看一看

1、百度apollo

百度依托旗下AI技术的强大优势，开发出了apollo开放/完整/安全的平台,帮助 汽车 行业及自动驾驶领域的合作伙伴结合车辆和硬件系统,搭建属于自己的自动驾驶系统； Apollo(阿波罗)是一个开放的、完整的、安全的平台，将帮助 汽车 行业及自动驾驶领域的合作伙伴结合车辆和硬件系统，搭建一套属于自己的自动驾驶系统。 Apollo开放平台，为你提供技术精湛、覆盖广、高自动化的高精地图服务；全球开放，拥有海量数据的仿真引擎；基于深度学习自动驾驶算法End-to-End。 目前与百度合作的车企有吉利、奇瑞、长城、红旗、大众、现代、奔驰、北汽等企业。

2、阿里云斑马智行

​

斑马网络成立于2015年，由阿里巴巴集团和上汽集团共同发起的智联网 汽车 基金投资成立。斑马网络致力于为 汽车 全行业提供智联网 汽车 整体解决方案。斑马智行便是由斑马网络所打造的基于AliOS的智联网 汽车 开放平台。

3、腾讯车联

腾讯旗下的开放平台系统，基于海量腾讯用户的社交帐号体系，推出符合驾车场景的多人出游/位置共享/实时对讲等腾讯车联是腾讯公司旗下一个开放平台系统。 微信与QQ的连接能力成为产品的亮点，赋予了 汽车 “社交”的想象力，将车主的社交沟通延伸到驾乘，还推出更符合驾车场景的多人出游、位置共享、实时对讲等。合作的车企也比较多

4、华为

华为以创新 科技 力著称，（ 最新消息华为将研发车用激光雷达系统 ）全球领先的信息与通信技术解决方案供应商，员工持股的民营 科技 公司，在电信运营商/企业/终端和云计算等领域构筑了端到端的解决方案优势 ，华为是ICT（信息与通信）基础设施和智能终端提供商，把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界。华为成立于1987年，是一家由员工持有全部股份的民营企业，目前有18万员工，业务遍及170多个国家和地区。目前与华为合作的车企主要是在生产制造商，车联网产品也有很多。

5、博泰

始创于2009年上海，国内知名的综合车联网服务提供商，拥有硬件/软件/云端平台能力及提供端到端业务的车联网全产业链企业，博泰是目前亚洲知名的车联网公司，也是行业内可以提供从主动安全、 汽车 电子、底层 汽车 软件、智能操作系统、应用软件、国内国际互联网 汽车 生态、手机互联、通讯运营、HMI与用户体验、TSP平台开发与运营服务、云计算、大数据、内容服务集成与运营、地图引擎软件与云端架构、语音嵌入式与云平台解决方案、PAAS平台、AI人工智能、IoT与穿戴式设备的综合车联网服务提供商。 最熟悉的就是东风 汽车 。

6、四维智联

北京四维智联 科技 有限公司成立于2018年4月，是由北京四维图新 科技 股份有限公司原智能网联业务分拆成立，国内众多互联网企业及知名投资机构投资共同参与投资成立的一家面向新一代自动驾驶 汽车 的智能网联系统开发商及运营商。公司聚集了行业内各板块众多知名的领军人物和优秀人才，提供从智能导航、车联网服务及内容、智能网联操作系统及解决方案、车联网大数据及运营等方面的技术开发、产品开发和服务运营。最新的 捷达VS5 所使用的welink系统就是由四维智联开发

7、中交兴路

以数据为核心，为公路货运行业提供多元化产品与服务的 科技 企业，具有丰富的商用车车联网运营管理及服务经验，打造专业的公路货运综合服务平台北京中交兴路信息 科技 有限公司（简称“中交兴路”）是一家以数据为核心，为公路货运行业提供多元化产品与服务的 科技 企业，打造中国知名的公路货运综合服务平台。公司发展至今积累了丰富的商用车车联网运营管理及服务经验，在北京、重庆两地建有车联网产业基地，拥有省级分支机构四十余家，业务范围覆盖全国。

8、钛马

打造智能网联 汽车 云生态系统"钛马星"，包括车联网/互联营销/ 汽车 大数据/新一代电商/移动出行服务/智能车队管理等模块钛马，公司成立于2010年，总部设立在上海，并在成都、广州、北京、长春等设有分部。经过多年 探索 和实践，钛马已经创造性地研发成功了智能网联 汽车 云生态系统“钛马星”（T-Star）。“钛马星”智能网联 汽车 云生态系统包括车联网云平台、互联营销云平台、 汽车 大数据云平台、新一代电商云平台、移动出行服务云平台、智能车队管理云平台六大模块。钛马助力广汽乘用车打造的“智慧传祺”明星车型；钛马为江铃 汽车 打造的“江铃智行”智能互联系统、和“互联网+”整体解决方案。

9、飞驰镁物

汽车 联网数字化和出行服务提供商，聚焦 汽车 前装市场提供完整的端到端 汽车 联网数字化产品和解决方案的创新 科技 公司飞驰镁物（北京）信息服务有限公司成立于2015年4月，是一家专注于提供 汽车 联网数字化产品和服务的高 科技 企业，公司总部位于充满艺术与创新气息的北京竞园艺术园区。在上海、成都、南昌等地设有分支机构。

10、鸿泉物联网

杭州鸿泉物联网成立于2009年6月11日，2017年12月25日整体变更为股份有限公司，注册资本7,500万元，目前员工350多人，分布在杭州、西安、上海、苏州、北京等地。鸿泉物联以“降低交通运输的代价”为企业使命，专注于利用人在回路的智能增强驾驶技术、人工智能技术和大数据技术，研发、生产和销售智能增强驾驶系统和高级辅助驾驶系统等 汽车 智能网联设备。

截至2021年4月份，共揭晓了两届“广州党建十大品牌”。

一、第一届

1、广州市天河区委组织部“天河智慧党建”

2、广州地铁集团有限公司党委“创建‘六型’国企党组织”

3、广州市海珠区委组织部“服务型党组织智愿联创‘十个一’”

4、广州市增城区委组织部“建设村民议事厅”

5、广州开发区组织人事局“园区非公党建‘金雁工程’”

6、广州市花都区委组织部“大学生村官砺练工程”

7、广州市越秀区委“机关服务社区‘双结对工程’”

8、广州医药集团有限公司党委“企业大党建123工作模式”

9、广州市荔湾区冲口街党工委“社区党员民情议事会”

10、广州市南沙区委组织部“党代表志愿服务‘时间银行’”

二、第二届

1、越秀区委组织部、越秀区委宣传部“家门口的红色学堂”

2、荔湾区委组织部“‘百梯万人’党旗红”

3、从化区委组织部“‘仁里集’共建共治共享云平台”

4、海珠区赤岗街道党工委“‘红房子’党建基地”

5、白云区三元里街道党工委“融合式街道党建”

6、市城管委直属机关党委“线上线下深度融合多维党建新平台”

7、广州地铁集团有限公司党委“‘红色羊角’一体化大党建”

8、广州大学党委“‘五室一站’党建进公寓”

9、广州国际金融中心党委“天河高端商务楼宇的红色引擎”

10、市社会组织党委“社会组织党建‘红苗工程’”

扩展资料：

评选意义：

这些基层党建创新实践充分释放新时代基层党建的创新活力，为探索超大城市基层党建新模式积累了广州经验、贡献了广州智慧，具有很强的复制推广价值。

加强党的基层组织建设，要以提升组织力为重点，突出政治功能。这些党建品牌紧紧围绕突出党的政治功能，通过载体创新、方法创新和技术创新，团结组织党员群众围绕中心工作彰显先进性，把抽象的政治要求具体化，让基层党建看得见摸得着。

基层党组织处于基层社会，党员长期与群众直接接触，有着党群沟通的政治优势和组织优势。这些党建品牌坚持以推动发展、服务群众、凝聚人心、促进和谐为主线，不断深化对不同类型基层党组织建设规律性认识，激发基层党组织创先争优、为民服务，体现了党建品牌创新的科学性。

参考资料来源：光明网——第二届“广州党建十大品牌”揭晓

参考资料来源：手机人民网——首届广州党建十大品牌揭晓