各種聚類算法及改進算法的研究

《各種聚類算法及改進算法的研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、各種聚類算法及改進算法的研究作者：王安志　李明東　李　超　　時間：2009-3-310:59:00　　來源：論文天下論文網(wǎng)論文關(guān)鍵詞：數(shù)據(jù)挖掘；聚類算法；聚類分析　　論文摘要：該文詳細闡述了數(shù)據(jù)挖掘領(lǐng)域的常用聚類算法及改進算法，并比較分析了其優(yōu)缺點，提出了數(shù)據(jù)挖掘?qū)垲惖牡湫鸵螅赋龈髯缘奶攸c，以便于人們更快、更容易地選擇一種聚類算法解決特定問題和對聚類算法作進一步的研究。并給出了相應(yīng)的算法評價標準、改進建議和聚類分析研究的熱點、難點。上述工作將為聚類分析和數(shù)據(jù)挖掘等研究提供有益的參考?！　?引言　　隨著經(jīng)濟社會和科學(xué)技術(shù)的高速發(fā)展，各行各業(yè)積累的數(shù)據(jù)量急劇增長，如

2、何從海量的數(shù)據(jù)中提取有用的信息成為當(dāng)務(wù)之急。聚類是將數(shù)據(jù)劃分成群組的過程，即把數(shù)據(jù)對象分成多個類或簇，在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。它對未知數(shù)據(jù)的劃分和分析起著非常有效的作用。通過聚類，能夠識別密集和稀疏的區(qū)域，發(fā)現(xiàn)全局的分布模式，以及數(shù)據(jù)屬性之間的相互關(guān)系等。為了找到效率高、通用性強的聚類方法人們從不同角度提出了許多種聚類算法，一般可分為基于層次的，基于劃分的，基于密度的，基于網(wǎng)格的和基于模型的五大類?！　?數(shù)據(jù)挖掘?qū)垲愃惴ǖ囊蟆　?1)可兼容性：要求聚類算法能夠適應(yīng)并處理屬性不同類型的數(shù)據(jù)。(2)可伸縮性：要求聚類算法對大型

3、數(shù)據(jù)集和小數(shù)據(jù)集都適用。(3)對用戶專業(yè)知識要求最小化。(4)對數(shù)據(jù)類別簇的包容性：即聚類算法不僅能在用基本幾何形式表達的數(shù)據(jù)上運行得很好，還要在以其他更高維度形式表現(xiàn)的數(shù)據(jù)上同樣也能實現(xiàn)。(5)能有效識別并處理數(shù)據(jù)庫的大量數(shù)據(jù)中普遍包含的異常值，空缺值或錯誤的不符合現(xiàn)實的數(shù)據(jù)。(6)聚類結(jié)果既要滿足特定約束條件，又要具有良好聚類特性，且不丟失數(shù)據(jù)的真實信息。(7)可讀性和可視性：能利用各種屬性如顏色等以直觀形式向用戶顯示數(shù)據(jù)挖掘的結(jié)果。(8)處理噪聲數(shù)據(jù)的能力。(9)算法能否與輸入順序無關(guān)?！　?各種聚類算法介紹　　隨著人們對數(shù)據(jù)挖掘的深入研究和了解，各種聚類算法的

4、改進算法也相繼提出，很多新算法在前人提出的算法中做了某些方面的提高和改進，且很多算法是有針對性地為特定的領(lǐng)域而設(shè)計。某些算法可能對某類數(shù)據(jù)在可行性、效率、精度或簡單性上具有一定的優(yōu)越性，但對其它類型的數(shù)據(jù)或在其他領(lǐng)域應(yīng)用中則不一定還有優(yōu)勢。所以，我們必須清楚地了解各種算法的優(yōu)缺點和應(yīng)用范圍，根據(jù)實際問題選擇合適的算法?！　?.1基于層次的聚類算法　　基于層次的聚類算法對給定數(shù)據(jù)對象進行層次上的分解，可分為凝聚算法和分裂算法?！　?1)自底向上的凝聚聚類方法。這種策略是以數(shù)據(jù)對象作為原子類，然后將這些原子類進行聚合。逐步聚合成越來越大的類，直到滿足終止條件。凝聚算法的過

5、程為：在初始時，每一個成員都組成一個單獨的簇，在以后的迭代過程中，再把那些相互鄰近的簇合并成一個簇，直到所有的成員組成一個簇為止。其時間和空間復(fù)雜性均為O(n2)。通過凝聚式的方法將兩簇合并后，無法再將其分離到之前的狀態(tài)。在凝聚聚類時，選擇合適的類的個數(shù)和畫出原始數(shù)據(jù)的圖像很重要。　　(2)自頂向下分裂聚類方法。與凝聚法相反，該法先將所有對象置于一個簇中，然后逐漸細分為越來越小的簇，直到每個對象自成一簇，或者達到了某個終結(jié)條件。其主要思想是將那些成員之間不是非常緊密的簇進行分裂。跟凝聚式方法的方向相反，從一個簇出發(fā)，一步一步細化。它的優(yōu)點在于研究者可以把注意力集中在數(shù)

6、據(jù)的結(jié)構(gòu)上面。一般情況下不使用分裂型方法，因為在較高的層很難進行正確的拆分?！　?.2基于密度的聚類算法　　很多算法都使用距離來描述數(shù)據(jù)之間的相似性，但對于非凸數(shù)據(jù)集，只用距離來描述是不夠的。此時可用密度來取代距離描述相似性，即基于密度的聚類算法。它不是基于各種各樣的距離，所以能克服基于距離的算法只能發(fā)現(xiàn)“類圓形”的聚類的缺點。其指導(dǎo)思想是：只要一個區(qū)域中的點的密度（對象或數(shù)據(jù)點的數(shù)目）大過某個閾值，就把它加到與之相近的聚類中去。該法從數(shù)據(jù)對象的分布密度出發(fā)，把密度足夠大的區(qū)域連接起來，從而可發(fā)現(xiàn)任意形狀的簇，并可用來過濾“噪聲”數(shù)據(jù)。常見算法有DBSCAN，DENC

7、LUE等。　　3.3基于劃分的聚類算法　　給定一個N個對象的元組或數(shù)據(jù)庫，根據(jù)給定要創(chuàng)建的劃分的數(shù)目k，將數(shù)據(jù)劃分為k個組，每個組表示一個簇類（<=N）時滿足如下兩點：(1)每個組至少包含一個對象；(2)每個對象必須屬于且只屬于一個組。算法先隨機創(chuàng)建一個初始劃分，然后采用一種迭代的重定位技術(shù)，通過將對象根據(jù)簇類之間的差異從一個劃分移到另一個劃分來提高簇類內(nèi)數(shù)據(jù)之間的相似程度。一種好的劃分的一般準則是：在同一個類中的對象盡可能“接近”或相似，而不同類中的對象盡可能“遠離”或不同。為了達到全局最優(yōu)，基于劃分的聚類會要求窮舉所有可能的劃分。典型的劃包括：K