第4期姜园等:用于数据挖掘的聚类算法
657
类。其优点是易于理解和操作,便于并行处理,对数据的处cIusteringofApplicationw汕Noise)算法㈣是该类算法的代
理次序不敏感。(2)前面的操作同上,只是在改变样本所属的表,它不受数据属性、维数或数据形状的限制,且不受数据类之前先分析该改变对目标函数的影响,如果能优化目标函排序的影响,计算复杂度为D(Ⅳ(109Ⅳ))。该算法有两种推
数则接受改变并重新计算两个类的质心,否则该样本点保持广:GDBScAN算法【291将对空间点的处理推广为对空间多边
在原来的类中。方式(2)比方式(1)聚类效果更好。
形的处理;OPTICS(OrderingPointsToIdenti分the
Clustering
K-Me蚰s算法因其简单直观和易于理解而得到广泛应structure)算法【30】对数据不同部分采用不同的参数,将数据用,但是其缺点也比较明显:仅能处理数字属性;需要预置进行递增排序便于迭代处理。这些算法都考虑了样本空间的质心且该操作对结果有明显影响;需要预知类数目;抗干扰局部密度,需要预置参数。DBcLAsD(Distribution
Based
性较差;算法扩展性较差;只能得到次优解;在预置操作最clusteringofLa玛espatialDatabaSes)算法f31将某点与其最近
坏的情况下可能出现空类(该类中没有样本)。目前对该算
点之间的距离作为变量,研究其概率分布,根据距离分布模法的研究非常深入,提出了很多改进算法:改变预置质心的型进行分类,不需要预置参数。
方式【16,17I、采用遗传算法【18】、模拟退火算法【19】都能得到更好
密度函数算法将研究重点从样本点密度转移到属性空
的优化效果。引入调和均值的概念将样本在类之间进行软分间的密度函数。DENcLuE(DENs时.basedcLustEring)算
配,通过调整权值反映各样本与各质心的关系,大大改善了法【321将影响函数的和作为密度函数:厂D(x)=∑厂(x,y)。考
性能【20】。x.Mealls算法【211不仅能减少运算复杂度,还能同时面
进行最佳类数目估计。
虑不同的影响函数:(1)/(x,力=rect(忙一川/仃),其中a表
示门限,rect()表示矩形函数,则当x点与),点之间的距离
模糊目标函数算法为了弥补目标函数法硬划分所带来的诸多缺陷而引入了软划分的概念,也就是样本按照一定的忙一y忙盯时有/(x,y)=1成立,该算法变成了DBscAN算概率归属于某类,而不是像目标函数法那样硬性分配。模糊法;(2)/(x,y)=eXp(一忙一川2/2盯2),该算法变成了K.MeaJls
c.均值(FCM)算法是其中最重要且应用最广泛的算法【22之7】,算法。可见密度函数算法是前面多个算法的一般化形式。但该算法并没有完全克服其易陷入局部极小值和对初始化DENCLuE算法有较好的扩展性和抗干扰能力,可用于高维敏感的缺点。该算法中加权指数聊的选取对算法性能有较大数据聚类,计算复杂度为D(Ⅳ)。影响,且该值的选取应随着算法应用场合的不同而变化。将2.4基于栅格的聚类算法
分割聚类算法对数据的排序敏感,基于密度聚类算法处遗传算法用于FCM算法可以在一定程度上改正其缺点【221,理数字属性效果最好,而处理字符属性效果较差。基于栅格但由于退化现象的出现会导致算法后期的波动,迭代次数过聚类算法克服了这些缺点,它继承了属性空间中的拓扑结多且聚类准确率不太高。经典遗传算法中,变异之后就进行群体评估。如果在变异之后进行一次c.均值聚类,然后再群构,将对点的处理转化为对空间的处理,通过对空间的划分体评估,将加快收敛速度;通过修改变异概率也将提高获得达到数据聚类的目的,其优点是对数据的排序不敏感并且可以处理不同属性的数据。该类型算法实际上综合了分割聚类全局最优解的概率【231。将免疫进化算法用于聚类分析将大大提高获得全局最优解的概率并减轻基于遗传的聚类算法在算法和分层聚类算法的思想,是这两种算法发展的必然融In
QUEst)算
遗传后期的波动现象【24】。文献[25】对FCM算法加权指数作了合。用于高维数据聚类的CLlQUE(cLustering法【33】是该类型算法的代表。
较深入的研究并提出了两种选取算法。借助极大熵原理构造一致逼近目标函数的一簇可微的熵函数,并利用最优化理论
基于栅格的聚类算法采用栅格段汇总数据,栅格段存储可以导出了一种新的聚类算法——极大熵聚类算法【261。该算
在栅格目录中并在目录中按不同尺度存放数据。每个段的密法不仅解决了FcM算法加权指数不确定的问题,还很好地度定义为其中点的数目与其空间尺度的比值。解决了对初始化敏感的问题,具有全局收敛性。STING(STatisticalINfomationGrid-baSed
m如od)算法f34】主
2.3基于密度的聚类算法
要用于数字属性的空间数据库面向区域的查询。该算法构建将类看成稠密连接的样本,且随着密度的变化可以向任数据摘要并将统计信息放在以栅格单元为节点的分层树中。意方向延伸,基于密度的聚类算法可以聚类任意形状的数据算法结构简单,便于并行处理并能够进行多分辨率的聚类。集,抗干扰性好,适用于空间数据聚类。该类型算法又分为STING+【351是sTING算法的改进,有相似的分层树结构,用两种:密度连接法和密度函数法。
于对动态变化的空间数据库进行主动式数据挖掘。它需要用密度连接方法主要用于低维空间数据,将各中心点附近户定义触发条件并在各分层子节点中存储了相应的子触发
一定密度范围内的点划分为类,不在任何点的密度范围内的样本被归类为干扰点。DBscAN(Density
BasedSpatial
条件,在预定情况下完成相应的操作。wavecluster算法㈣
万
方数据
一种有效的用于数据挖掘的动态概念聚类算法_经济学_高等教育_教育专区。数据挖掘一种有效的用于数据挖掘的动态概念聚类算法郭建生, 赵奕, 施鹏飞 ( 上海交通大学 ...
数据挖掘中的聚类算法综述 4页 免费 用于数据挖掘的聚类算法 8页 免费 数据挖掘...综述 现代制造工程 2009 年第 3 期 数据挖掘聚类算法研究喻彪 ,骆雯 ,赖朝安...
?10? 计算机应用研究 2007 年 数据挖掘中的聚类算法综述贺 , 吴玲达 , 蔡益朝...聚类算法 、 基于约束的聚类算法 、机 器学习中的聚类算法以及用于高维数据的...
一 数据挖掘的聚类方法+行小帅n2 焦李成2【I J西师范大学物理与信息工稃学院...提出能发现任意形状簇的算法是很重要的。I 4)用于决定输入参数的领域知识最小...
数据挖掘中聚类算法的研究_专业资料。目前对聚类算法的研究越来越多,在数据挖掘领域,聚类面临着新的形势。总结了数据挖掘中主要的传统聚类算法,介绍了聚类方法的最新...
数据挖掘中的聚类算法综述_兵器/核科学_工程科技_专业资料。10 计算机应用研究 ...遗传算法 子空间聚类 用于高维数据的聚类算法 联合聚类 层次聚类算法 1 引言随着...
数据挖掘聚类算法一览聚类分析是数据挖掘中的一个很活跃的研究领域,并提出了许多...用于数据挖掘的聚类算法 8页 免费 数据挖掘中的聚类算法综... 4页 免费 EM聚类...
的基本操作, 可以用于分类( 无监督) 、 聚合和分 割、 剖析、 数据缩减、 ...第5期 张红云, 等: 数据挖掘中聚类算法比较研究 ! 365 ! 类特征树来求聚类...
26 2 M ar. 2005 数据挖掘中聚类分析算法研究赵法信 , 王国业摘 与评估 1...据挖掘的蓬勃发 展 数据挖掘中一个重要的组成部分, 主要用于在 潜在的数据中发...
热门文档