论各种聚类算法及改进算法的探究

《论各种聚类算法及改进算法的探究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、论各种聚类算法及改进算法的探究　　论文：数据挖掘；聚类算法；聚类分析　　论文：该文具体阐述了数据挖掘领域的常用聚类算法及改进算法，并比较分析了其优缺点，提出了数据挖掘对聚类的典型要求，指出各自的特征，以便于人们更快、更轻易地选择一种聚类算法解决特定新题目和对聚类算法作进一步的探究。并给出了相应的算法评价标准、改进建议和聚类分析探究的热门、难点。上述工作将为聚类分析和数据挖掘等探究提供有益的参考。　　1引言　　随着经济社会和科学技术的高速发展，各行各业积累的数据量急剧增长，如何从海量的数据中提取有用的信息成为当务之急。聚类是将数据划分成群组的

2、过程，即把数据对象分成多个类或簇，在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。它对未知数据的划分和分析起着非常有效的功能。通过聚类，能够识别密集和稀疏的区域，发现全局的分布模式，以及数据属性之间的相互关系等。为了找到效率高、通用性强的聚类方法人们从不同角度提出了很多种聚类算法，一般可分为基于层次的，基于划分的，基于密度的，基于X格的和基于模型的五大类。　　2数据挖掘对聚类算法的要求　　(1)可兼容性：要求聚类算法能够适应并处理属性不同类型的数据。(2)可伸缩性：要求聚类算法对大型数据集和小数据集都适用。(3)对用户专业

3、知识要求最小化。(4)对数据种别簇的包容性：即聚类算法不仅能在用基本几何形式表达的数据上运行得很好，还要在以其他更高维度形式表现的数据上同样也能实现。(5)能有效识别并处理数据库的大量数据中普遍包含的异常值，空缺值或错误的不符合现实的数据。(6)聚类结果既要满足特定约束条件，又要具有良好聚类特性，且不丢失数据的真实信息。(7)可读性和可视性：能利用各种属性如颜色等以直观形式向用户显示数据挖掘的结果。(8)处理噪声数据的能力。(9)算法能否和输进顺序无关。　　3各种聚类算法先容　　随着人们对数据挖掘的深进探究和了解，各种聚类算法的改进算法也相

4、继提出，很多新算法在前人提出的算法中做了某些方面的进步和改进，且很多算法是有针对性地为特定的领域而设计。某些算法可能对某类数据在可行性、效率、精度或简单性上具有一定的优越性，但对其它类型的数据或在其他领域应用中则不一定还有上风。所以，我们必须清楚地了解各种算法的优缺点和应用范围，根据实际新题目选择合适的算法。　　3.1基于层次的聚类算法　　基于层次的聚类算法对给定数据对象进行层次上的分解，可分为凝聚算法和***算法。　　(1)自底向上的凝聚聚类方法。这种策略是以数据对象作为原子类，然后将这些原子类进行聚合。逐步聚合成越来越大的类，直到满足终

5、止条件。凝聚算法的过程为：在初始时，每一个成员都组成一个单独的簇，在以后的迭代过程中，再把那些相互邻近的簇合并成一个簇，直到所有的成员组成一个簇为止。其时间和空间复杂性均为O(n2)。通过凝聚式的方法将两簇合并后，无法再将其分离到之前的状态。在凝聚聚类时，选择合适的类的个数和画出原始数据的图像很重要。　　(2)自顶向下***聚类方法。和凝聚法相反，该法先将所有对象置于一个簇中，然后逐渐细分为越来越小的簇，直到每个对象自成一簇，或者达到了某个终结条件。其主要思想是将那些成员之间不是非常紧密的簇进行***。跟凝聚式方法的方向相反，从一个簇出发，

6、一步一步细化。它的优点在于探究者可以把注重力集中在数据的结构上面。一般情况下不使用***型方法，由于在较高的层很难进行正确的拆分。　　3.2基于密度的聚类算法　　很多算法都使用间隔来描述数据之间的相似性，但对于非凸数据集，只用间隔来描述是不够的。此时可用密度来取代间隔描述相似性，即基于密度的聚类算法。它不是基于各种各样的间隔，所以能克服基于间隔的算法只能发现“类圆形”的聚类的缺点。其指导思想是：只要一个区域中的点的密度（对象或数据点的数目）大过某个阈值，就把它加到和之相近的聚类中往。该法从数据对象的分布密度出发，把密度足够大的区域连接起来，

7、从而可发现任意外形的簇，并可用来过滤“噪声”数据。常见算法有DBSCAN，DENCLUE等。　　3.3基于划分的聚类算法　　给定一个N个对象的元组或数据库，根据给定要创建的划分的数目k，将数据划分为k个组，每个组表示一个簇类（%26lt;=N）时满足如下两点：(1)每个组至少包含一个对象；(2)每个对象必须属于且只属于一个组。算法先随机创建一个初始划分，然后采用一种迭代的重定位技术，通过将对象根据簇类之间的差异从一个划分移到另一个划分来进步簇类内数据之间的相似程度。一种好的划分的一般准则是：在同一个类中的对象尽可能“接近”或相似，而不同类中

8、的对象尽可能“阔别”或不同。为了达到全局最优，基于划分的聚类会要求穷举所有可能的划分。典型的划包括：K-means，PAM，EM等。划分法收敛速度快，在对中小规模的数据库中发现球