在“数据为王”的今天，越来越多的人对数据科学产生了兴趣。数据科学家离不开算法的使用，那么，数据科学家较常用的算法，都是哪些呢?

较近，的资料探勘信息网站 KDnuggets 策划了十大算法调查，这次调查对数据科学家常用的算法进行，并发现较“产业”和较“学术”的算法，还对这些算法在过去 5 年间(2011~2016)的变化，做了一番详细的介绍。

这次调查结果，是基于 844 名受访者投票整理出来。

KDnuggets 总结出十大算法及其投票份额如下：

图1：数据科学家使用的十大算法和方法

请参阅文末的所有算法和方法的完整列表。

从调查中得知，受访者平均使用 8.1 个算法，与 2011 年的一项类似调查相比大幅提高。

与用于数据分析/数据挖掘的 2011 年投票算法相比，我们注意到流行的算法仍然是回归算法、聚类算法、决策树和可视化。相对来说较大的增长是以(pct2016/pct2011-1) 测定的以下算法：

Boosting，从 2011 年的 23.5% 至 2016 年的 32.8%，同比增长 40%

文本挖掘，从 2011 年的从 27.7% 至 2016 年的 35.9%，同比增长 30%

可视化，从 2011 年的从 38.3% 至 2016 年的 48.7%，同比增长 27%

时间序列分析，从 2011 年的从 29.6% 至 2016 年的 37.0%，同比增长 25%

异常/偏差检测，从 2011 年的从 16.4% 至 2016 年的 19.5%，同比增长 19%

集合方法，从 2011 年的从 28.3% 至 2016 年的 33.6%，同比增长 19%

支持向量机，从 2011 年的从 28.6% 至 2016 年的 33.6%，同比增长 18%

回归算法，从 2011 年的从 57.9% 至 2016 年的 67.1%，同比增长 16%

在 2016 年较受欢迎的新算法是：

K-近邻算法(K-nearest neighbors，KNN)，46% 份额

主成分分析(Principal Commponent Analysis，PCA)，43%

随机森林算法(Random Forests，RF)，38%

较优化算法(Optimization)，24%

神经网络-深度学习(Neural networks-Deep Learning)，19%

奇异值矩阵分解(Singular Value Decomposition，SVD)， 16%

跌幅较大的算法分别为：

关联规则(Association rules)，从 2011 年的 28.6% 至 2016 年的 15.3%，同比下降 47%

增量建模(Uplift modeling)，从 2011 年的 4.8% 至 2016 年的 3.1%，同比下降 36%

因子分析(Factor Analysis)，从 2011 年的 18.6% 至 2016 年的 14.2%，同比下降 24%

生存分析(Survival Analysis)，从 2011 年的 9.3% 至 2016 年的 7.9%，同比下降 15%