ROCK演算法探討.pptVIP

ROCK演算法探討 指導教授：許中川 博士 研究生：林勇助 報告大綱 動機 目的 傳統分群算法缺點 ROCK預先知識 ROCK演算法 實驗 結論 心得 動機 傳統演算法在分類屬性距離的不適用 目的 提出資料點間以連結為相似度之概念 提出依連結基礎及具強健性之演算法 傳統分群演算法缺點 分割式分群演算法 階層式分群演算法 分割式分群演算法 使用合適的函式將資料點分成k個群集 其中 為群集Ci的中心點，而 為 與 的幾何距離 最小化 E 區域最佳化 分割式分群演算法(續) 適用數字屬性資料 不適用類別屬性資料 行銷資料庫屬性多，每筆交易項目少，造成同群集中，交易相同項目少 階層式分群演算法 每個資料點當成一個群集，將相似者兩兩合併，至k個群集 適用類別屬性資料 階層式分群演算法(續) U={1,2,3,4,5,6} A={1,2,3,5} = (1,1,1,0,1,0) B={2,3,4,5} = (0,1,1,1,1,0) C={1,4} = (1,0,0,1,0,0) D={6} = (0,0,0,0,0,1) AB幾何距離最小( ) -合併 CD次小( ) -合併，但CD並無相同項目 不適用幾何距離 階層式分群演算法(續) 改用 但Jaccard係數僅測兩點之相似度，無法反映鄰居之