以下是数据与算法相爱相杀的第三篇，常见的数据分类算法。
数据分类在业务中应用无处不在，如果我们要开展多元化的服务、差异化的营销，就需要对用户群体进行分类，比如：通过对用户收入的分类，我们找到高净值人群，我们可以直接向他们推荐我们的产品或者VIP服务。
如果我们还有年龄的数据，我们可以向20-50岁之间的高净值人群推荐我们职场的礼包，沿着这样的路径往前走，我们发现我们可以将更多维度的数据加入其中，我们的划分的群体更加具体，我们对他们可以采取的措施也可以更加切合、得当。
如果数据量达到我们肉体难以cover的地步，基于大数据量的分类算法就有了用武之地了。数据分类是一种典型的监督学习，需要我们给出分类结果，然后建立起输入和输出之间的模型。
和上一篇一样，我们不讲各个算法的数学原理和编程方式，作为给PM看的文章，我将各个算法原理讲解清楚，以及算法的应用的场景、优点缺点、注意事项。各位如果想进一步了解可以留言，或者网上找些材料。
数据分类可以用到算法比较多样，比如：决策树、贝叶斯网络、神经网络、遗传算法等，不同的场景下不同的算法有不同的效用。但是分析的过程无外乎训练过程、识别过程两种。
- 训练过程：是从数据库中找到训练集，然后从训练集中进行特征选取，对分类模型进行训练，然后形成分类器。
- 识别过程：是先将待识别的新样本进行特征选取，然后利用分类器进行分类识别。
基于贝叶斯的数据分类
贝叶斯公式想必大家都比较了解，两百年前英国数学家贝叶斯的成果，如今机器学习里很多都是将贝叶斯公式作为基础原理。
朴素的贝叶斯就是揭示了，假如事件A发生的概率已知，事件B发生的概率已知，事件B在事件A发生的情况下发生的概率已知，那我们就知道事件A在事件B发生的情况下概率是多少。
公式如下：
P(A|B)=P(B|A) *P(A) / P(B)
在实际应用过程中，A一般是我们想要预测的概率，A包含的情况我们是清楚地，比如：预测游戏中预测是否有辱骂别人（有 或 无），B即是某一个辱骂词汇的出现的概率，假如给我们一定的语料，我们就可以得出在某名玩家打出某个词汇的时候，他被判定为辱骂的概率，如果我们设定一个阈值，我们就可以对其发出辱骂警告了。
通常我们进行一个企业级的分类流程需要经过数据准备、分类器训练、分类器评估、分类识别。
- 数据准备：一般是语料库或者其他原材料的准备，这个阶段主要需要人工对语料进行分类，分类的清楚，合理对分类器的质量至关重要。
- 分类器训练：这个阶段有计算机完成，主要是计算各个属性（事件包含的集），结果的概率，以及最终该属性下某个结果的概率。
- 分类器评估：我们一般留出语料库中20%的数据量做分类器的评估，常用的评估指标包括正确率、精准度、召回率、错误率，通过人工去验证判断是否准确，并进行调整。
- 分类识别：以上的过程完成后，这个分类器就可以开展实际的工作了。
二、基于adaboost的数据分类
adaboost是一种组合型算法，它会先产生一定数量的弱分类，然后将弱分类按权重组合成强分类，即最终的分类算法。adaboost算法可以用来处理分类问题，回归问题等，分类方法比较精确的算法，是监督学习的一种。
它的基本原理是：先对初始数据进行训练，找到阈值，生成模型（弱分类器），然后对分类对的降低其权重，分类错误的提升其权重。然后再次训练模型，选定权重相加最小的，直到达到预定值。
adaboost在人脸识别、表情识别等场景中有较高的分析准确性，其过程较为复杂，这里不展开讲，有想进一步了解的可以网上查阅资料或者微信我。
除了以上两种常用的分类算法之外还有向量机的分类算法、基于k邻近算法等多种算法，都是比较常见的分类方法。
以上，欢迎交流，欢迎拍砖。
