DATA MINING(CH)培训讲义.pptVIP

第3章 聚类分析 《数据挖掘与知识发现》(第2版) 吉林大学计算机科学与技术学院 李雄飞 聚类分析 聚类是对物理的或抽象的对象集合分组的过程。本章主要介绍如下几个方面的内容： 聚类算法的特点 聚类分析中的数据类型 基于划分的方法 基于层次的方法 基于密度的方法 基于网格的方法 基于模型的方法 孤立点分析 引言 聚类(Clustering) 是对物理的或抽象的对象集合分组的过程 聚类生成的组称为簇(Cluster)，簇是数据对象的集合。 簇内部的任意两个对象之间具有较高的相似度 属于不同簇的两个对象间具有较高的相异度 相异度可以根据描述对象的属性值计算，最常用的度量指标是距离。 聚类最初来自数学、统计学和数值分析；机器学习领域把聚类描述成隐含模式，发现簇的过程是无监督学习；聚类是模式识别的重要手段。 聚类的特点 用少量的簇描述大量数据的特征 数据简洁 丢失精细部分 聚类在数据挖掘实践中的应用 数据预处理 科学数据探索 信息获取与文本挖掘 空间数据库应用 CRM 引言 统计学：聚类分析是通过数据建模简化数据的一种方法。 包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。 机器学习：簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。 与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类