I-Miner环境下聚类分析算法研究与实现.pdfVIP

I-Miner环境下聚类分析算法研究与实现 徐 德 ， 谭 维 ， 杨 燕 ，侯天子 ， 黄 乐 (西南交通大学信息科学与技术学院，成都 611756) 摘 要：聚类分析是一种 非监督型知识发现 的方法，能有效地 处理 大量的、繁杂的、属性众 多的 且没有类标志的数据。DBSCAN 算法能实现任意形状的数据集的聚类，模糊 c均值适合于 那些在簇 中心周围呈均 匀分布的数据集．CABOSFV算法对于高维稀疏数据集 (例如web 数据)能很好地聚类 。在 I-Miner中嵌入 DBSCAN、CABOSFV和模糊 C均值三种聚类 分析 算法 。能够较好地满足用户的需要，建立数据挖掘模型。支持生产决策 。 关键词：聚类分析 ，DBSCAN 算法，模糊 C均值 ，CABOSFV算法 O 引 言 2 基于 l—Miner聚类分析算法的实现 聚类源于许多研究领域，包括数据挖掘 、统计学 、 2．1DBSCAN 算法的实现 生物学和机器学习 聚类的 目标是在没有任何经验知 DBSCAN(Density—BasedSpatialClusteringofAp— 识的前提下 ，将数据聚集成不 同的簇 ．使得相同簇中 plicationswithNoise)Q--种基于密度的聚类算法3[1其 的元素尽可能相似．不同簇中的元素差别尽可能大 l【1。 基本思想是 ：对于簇中的每一个点在其给定的半径范 迄今为止．聚类分析成为数据挖掘和知识发现领域中 围内都至少包含给定数 目的点 该算法利用类的高密 的最重要的课题之一。主要的聚类算法包括：划分聚 度连通性 ．将具有足够高密度的区域划分为一类 ．并可 类 、层次聚类 、基于密度的聚类 、基于网格的聚类 、基 以在带有 “噪声”的空间数据库中发现任意形状的聚 于模型的聚类和模糊聚类。 类 ，而且聚类速度快 ，可以作为增量聚类算法的基础。 DBSCAN算法的流程图如图2所示 1 数据挖掘软件 I—Miner 用一个 已知分类的数据集 (300个数据 ．分为 3 I—Miner(InsightfulMiner1是一个全面的具有完整 个类别 ．每个数据有 2种属性 )对 DBSCAN聚类分析 分析流程 、企业级的数据挖掘工具。I—Miner根据开发 算法进行了测试 原始数据集如图3所示．而聚类结 和应用现实数据挖掘中获取 的经验制定了数据挖掘 果如图4所示 的流程 图 I高度概 了这个过程