第5部分聚类分析学习课件.pptVIP

(C) Vipin Kumar, Parallel Issues in Data Mining, VECPAR 2002 (C) Vipin Kumar, Parallel Issues in Data Mining, VECPAR 2002 聚类分析 根据同类事物应具有相近特性，而不同事物在这些特性上差异较大的假定，将所研究的事务进行分类，这种研究方法被称为聚类cluster. 聚类分析是在没有或不用样本所属类别信息的情况下，依据样本集数据的内在结构，在样本间相似性度量的基础上对样本进行分类的方法 聚类分析 分类与聚类的区别 分类：用已知类别的样本训练集来设计分类器（有监督） 聚类：用事先不知样本的类别，而利用样本的先验知识来构造分类器（无监督学习） 有监督学习是让计算机去学习我们已经建立好的分类系统。 无监督学习看起来非常困难：目标是我们不告诉计算机怎么做，而是让它（计算机）自己去学习怎样做一些事情。 主要步骤 1. 数据预处理， 2. 为衡量数据点间的相似度定义一个距离函数， 3. 聚类或分组， 4. 评估输出。 数据预处理包括选择数量，类型和特征的标度，它依靠特征选择和特征抽取，特征选择选择重要的特征，特征抽取把输入的特征转化为一个新的显著特征，它们经常被用来获取一个合适的特征集来为避免“维数灾”进行聚类，数据预处理还包括将孤立点移出数据，孤立点是不依