机器学习算法简介

决策树算法：

1.算法简介

决策树是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。其本质是一颗自上而下的由多个判断节点组成的树。

2.算法示意：

图1 决策树示意图

3.算法示例：

预测小明今天出不出门打球

图2 训练数据

图3 训练生成的决策树

4.对应的场景

故障预测中，通过决策树算法对带标签的历史数据进行训练，自动分类出哪些是故障数据哪些是正常数据。

基于最小生成树的k中心点算法：

1.算法简介

基于最小生成树的K中心点(K-mediods)算法是一种聚类算法，由K中心点(K-mediods)算法衍生而来，而K中心点算法是由K-means算法衍生而来。其中聚类算法是能够将具有相似属性的一组数据归为一类的一种算法。

K-means算法的思想是，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。而K中心点算法通过对K-means算法计算簇的方法加以改进得来，基于最小生成树的K中心点算法通过对K 中心点算法求取初始中心点的方法改进得来。

2.算法示意

图4 K-means算法示意图

图5 基于最小生成树的k中心点算法示意图

3.对应场景

故障拓扑关联中通过基于最小生成树的k中心点算法动态计算故障阈值，这样可以令机器自动识别哪些是故障数据哪些是正常数据，可避免人工干预，提高工作效率。

Apriori算法：

1.算法简介

Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。

Apriori算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那

些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递归的方法。

Apriori算法的原理是：如果某个项集是频繁项集，那么它所有的子集也是频繁的。即如果{0,1} 是频繁的，那么{0}, {1} 也一定是频繁的。

2.算法示意

图5 Apriori算法示意图

3.算法示例

某食品商店希望发现顾客的购买行为，通过购物篮分析得到大部分顾客会在一次购物中同时购买面包和牛奶，那么该商店便可以通过降价促销面包的同时提高面包和牛奶的销量。

4.对应场景

故障拓扑关联中，当计算好故障阈值后便可识别哪些是故障指标哪些是正常指标，然后通过Apriori算法计算故障指标之间的拓扑关系。