层次聚类分析,超精彩.ppt

层次聚类方法 戴 奇 主要内容 概要 层次聚类方法将数据对象组成一棵聚类树。 根据层次分解是以自底向上（合并）还是自顶向下（分裂）方式，层次聚类方法可以进一步分为凝聚的和分裂的。 一种纯粹的层次聚类方法的质量受限于：一旦合并或分裂执行，就不能修正。也就是说，如果某个合并或分裂决策在后来证明是不好的选择，该方法无法退回并更正。 主要内容 层次聚类方法 一般来说，有两种类型的层次聚类方法： 凝聚层次聚类：采用自底向上策略，首先将每个对象作为单独的一个原子簇，然后合并这些原子簇形成越来越大的簇，直到所有的对象都在一个簇中（层次的最上层），或者达到一个终止条件。绝大多数层次聚类方法属于这一类。 分裂层次聚类：采用自顶向下策略，首先将所有对象置于一个簇中，然后逐渐细分为越来越小的簇，直到每个对象自成一个簇，或者达到某个终止条件，例如达到了某个希望的簇的数目，或者两个最近的簇之间的距离超过了某个阈值。 例子 下图描述了一种凝聚层次聚类算法AGNES和一种分裂层次聚类算法DIANA对一个包含五个对象的数据集合{a,b,c,d,e}的处理过程。 初始，AGNES将每个对象自为一簇，然后这些簇根据某种准则逐步合并，直到所有的对象最终合并形成一个簇。 例如，如果簇C1中的一个对象和簇C2中的一个对象之间的距离是所有属于不同簇的对象间欧氏距离中最小的，则C1和C2合并。 在DIANA中，所有的对象用于形成一个初始簇。根据某种原则（如，簇中最近的相邻对象的最大欧氏距离），将该簇分裂。簇的分裂过程反复进行，直到最终每个新簇只包含一个对象。 在凝聚或者分裂层次聚类方法中，用户可以定义希望得到的簇数目作为一个终止条件。 树状图 通常，使用一种称作树状图的树形结构表示层次聚类的过程。它展示出对象是如何一步步分组的。图2显示图1的五个对象的树状图。 簇间距离 四个广泛采用的簇间距离度量方法如下，其中|p-p|是两个对象或点p和p之间的距离，mi是簇Ci的均值，而ni是簇Ci中对象的数目。 最小距离： 最大距离： 均值距离： 平均距离： 当算法使用最小距离 衡量簇间距离时，有时称它为最近邻聚类算法。此外，如果当最近的簇之间的距离超过某个任意的阈值时聚类过程就会终止，则称其为单连接算法。 当一个算法使用最大距离 度量簇间距离时，有时称为最远邻聚类算法。如果当最近簇之间的最大距离超过某个任意阈值时聚类过程便终止，则称其为全连接算法。 单连接算法例子 先将五个样本都分别看成是一个簇，最靠近的两个簇是3和4，因为他们具有最小的簇间距离D（3，4）=5.0。 第一步：合并簇3和4，得到新簇集合1，2，（34），5 更新距离矩阵： D(1,(34))=min(D(1,3)，D(1,4))=min(20.6，22.4)=20.6 D(2,(34))=min(D(2,3)，D(2,4))=min(14.1，11.2)=11.2 D(5,(34))=min(D(3,5)，D(4,5))=min(25.0，25.5)=25.0 　　 原有簇1，2，5间的距离不变，修改后的距离矩阵如图所示，在四个簇1，2，(34)，5中，最靠近的两个簇是1和5，它们具有最小簇间距离D（1,5）＝7.07。 最小和最大度量代表了簇间距离度量的两个极端。它们趋向对离群点或噪声数据过分敏感。 使用均值距离和平均距离是对最小和最大距离之间的一种折中方法，而且可以克服离群点敏感性问题。 尽管均值距离计算简单，但是平均距离也有它的优势，因为它既能处理数值数据又能处理分类数据。 层次聚类方法的困难之处 层次聚类方法尽管简单，但经常会遇到合并或分裂点选择的困难。这样的决定是非常关键的，因为一旦一组对象合并或者分裂，下一步的处理将对新生成的簇进行。 不具有很好的可伸缩性，因为合并或分裂的决定需要检查和估算大量的对象或簇。 层次聚类的改进 一个有希望的方向是集成层次聚类和其他的聚类技术，形成多阶段聚类。在下面的内容中会介绍四种这类的方法： BIRCH：首先用树结构对对象进行层次划分，其中叶节点或者是低层次的非叶节点可以看作是由分辨率决定的“微簇”，然后使用其他的聚类算法对这些微簇进行宏聚类。 ROCK基于簇间的互联性进行合并。 CURE选择基于质心和基于代表对象方法之间的中间策略。 Chameleon探查层次聚类的动态建模。 主要内容 BIRCH方法通过集成层次聚类和其他聚类算法来对大量数值数据进行聚类。其中层次聚类用于初始的微聚类阶段，而其他方法如迭代划分（在后来的宏聚类阶段）。 它克服了凝聚聚类方法所面临的两个困难： 可伸缩性； 不能撤销前一步所做的工作。 BIRCH使用聚类特征来概括一个簇，使用聚类特征树（CF树