一种基于数据划分改进DBSCAN算法.pdfVIP

一种基于数据划分的改进的DBSCAN 算法 孙业勤 大连理工大学计算机科学与工程系，大连 （116023 ） E-mail ：sun_ye_qin@ 摘 要：聚类分析是数据挖掘的核心技术，针对 PDBSCAN 算法在密度差别不大的数据空 间上无法进行分区聚类的问题。本文提出了IPDBSCAN 算法，可以有效的实现对此类数据 空间的聚类。实验证明，本算法具有良好的聚类效果。 关键词：数据挖掘；基于密度的聚类算法；数据分区；平均ε值 中图法分类号：TP301.6 1．引言 近年来，由于信息技术的不断发展，大量的数据被广泛的使用，因此迫切需要将这些 数据转换为有用的信息和知识，为人们所获取。数据挖掘技术应运而生，并且引起了广泛的 关注。 数据挖掘(Data Mining)，又称为数据库中的知识发现(Knowledge Discovery in Database)， 就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简 单的说，数据挖掘就是从大量数据中提取或“挖掘”知识。 聚类分析是数据挖掘的核心技术，是指将物理或抽象对象的集合分组成为由类似的对 象组成的多个类的过程。对象根据最大化类内的相似性，最小化类间的相似性原则进行聚类。 聚类是数据挖掘的前期预处理过程，良好的聚类会对数据挖掘的结果起到很大的作用。 2 ．基于密度的聚类算法 2 ．2 DBSCAN 算法 DBSCAN 算法是一种基于密度的聚类算法。该算法通过检查数据库中每个点的 ε 邻域 来寻找类簇。如果一个点 p 的 ε邻域包含多于 MinPts 个点，则创建一个以 p 为核心对象的 新簇。然后 DBSCAN 以这个簇中的点作为核心对象不断寻找直接密度可达的对象（如图1）。 如此重复，当没有新的点可以被添加到任何簇时，该过程结束。这个过程可能包括一些密度 可达类簇的合并。 图 1 基于密度的聚类中密度可达和密度相连 (a)p 与 q 直接密度可达 (b)o,p,q 都是密度相连的 但是，DBSCAN 算法也存在缺点,DBSCAN 算法需要用户输入两个参数，即 ε （邻域半 径）和 Minpts （ε 邻域内包含对象的最少数目）。但是事实上用户很难在算法运行前确定参 数的具体取值，而且该算法对参数是很敏感的。另外，全局参数 ε对于分布不均匀的数据空 间也很难产生较好的聚类结果。 - 1 - 2 ．2 基于数据划分的 DBSCAN 算法 2.2.1 划分原理 周水庚等人提出了一种基于分区的 DBSCAN 算法(PDBSCAN)[3]，这种算法的基本思想 是：由于数据集的密度分布差异（如图 2 ），DBSCAN 算法很难获得比较理想的聚类效果， 将数据空间依据某一维或多个维上的分布特性划分为若干个局部区域，然后对每个区域用 DBSCAN 算法分别进行聚类，最后将各个局部类合并。 图2 存在数据密度分布差异的数据空间 2.2.2 算法缺点 此算法考虑到了数据空间上不同的密度分布差异对聚类结果造成的影响，然而，在某 些情况下，并不是所有的局部数据空间相异性都是非常大的，因为在某些情况下统计得到的 数据对象是现实世界中性质相似的实体，诸如个人信息，同一类商品销售的情况，某企业各 年度的财政情况等等。这些类型的数据空间的密度也可能呈现一种“不强烈” 的密度差异现象 （如图3 ）。 图 3 数据密度分布差异“不强烈” 的数据空间 图 3 所示的数据空间中，仔细观察可以发现 c1,c2,c3,可以发现这 3 个区域之间的密度 差异并不像图 1 中那样大，而是密度分布逐渐减小，即 c3c2c1 。这就是说，这是几个密 度差异不大的区域。