基于数值型和分类型混合属性数据集的聚类算法研究.pdfVIP

数学技术应用科学 Mathematics Science TechndogyAppfied 基于数值型和分类型混合属性数据集的聚类算法研究· 曹露燕1，蒋晓云2，盂凡荣3 (中国矿业大学计算机学院，江苏徐州221008) 摘要：介绍了数值型和分类型属性的概念以及处理分类型属性的方法，详细探讨了一种处理分类型和数 值型的混合型属性数据集的算法(k—prototypes)；在此算法的基础上，提出了一种基于分组选择法确定初始点 的改进算法；并使用实际数据集对改进算法进行了测试，用详尽的数据证明改进算法的正确性和较强的可伸缩 性，最后指出了聚类分析技术的进一步研究的方向． 关键词：数值型和分类型；分组选择法；k—prototypes 中图分类号：F244．0文献标识码：A文章编号：7—5416—2336—9(2006)一0209—06 在企业(如零售、金融、电信)的大型数据库中 时处理数值型和非数值型属性的聚类算法．针对这 蕴含的有用的信息资源促进了知识发现和数据挖 种情况，本文首先介绍了一个能同时处理数值型和 掘的蓬勃发展．聚类作为数据挖掘中一个重要的 分类型属性数据的聚类算法(k—prototypes)，然后 组成部分，主要用于在潜在的数据中发现有价值的 指出其存在的不足，在该算法基础上提出了自己的 数据分布和数据模式．目前其研究已深人到数据 改进意见和实现方案，最后，使用实际的数据集测 库、数据挖掘、统计等领域并取得了很大的成就． 试并证明经过改进的算法是正确和有效的． 在数据挖掘中，将物理或抽象对象集合划分成 1概念描述 为由类似的对象组成的多个类的过程被称为聚类 分析(聚类挖掘)．目前，对聚类分析最常用的定义 1．1分类域和分类属性 如下：给定d维空间的11,个数据点，把这，t个点分 设A。，A：，…，A。是描述空间．f2的m个属性， 成Ij}个组，即满足最大的组内相似性和最小的组间 而DOM(A。)，…，DOM(A。)是上述属性的域．域 相似性，使得不同聚类中的数据尽可能地不同，而 DOM(A』)被定义为分类域，如果它是有限的和无 同一聚类中的数据尽可能地相似…． 序的，例如对于任何a，b(属于DOM(Ai)域)，或者 目前，在文献中存在着大量的聚类分析算法， a=b或者Ⅱ!=b．A，是一个分类属性，如果A。， 如K—MEANS算法、DBSCAN算法等，但在实际应 …，A。是分类的，则空间D是分类空间．这里定义 用中，这些算法仅能对数值型属性的数据集进行分 的一个属性域是单一的，不允许有混合值，而且在 类．现实生活中，很多数据对象都包含有非数值型 所有的分类域上还定义了一个特别的值占用来代 属性，如描述病人的smoker属性：抽烟和不抽烟； 表缺失值．为了简化相异度计算，我们不考虑分类 描述地图颜色的map—color属性：红色，黄色，绿 域中的概念包含关系，比如说，汽车和交通工具是 色，粉红色和蓝色等．如果要对上述数据集进行聚 一个域中的分类值，而在概念上汽车也是一种交通 类，一般的聚类分析算法只能取其数值型属性进行 工具． 聚类，即仅使用数据对象的部分属性对数据进行聚 1．2分类对象 类．很显然，这样必然会导致聚类结果的偏差，使聚 and (GowdaDiday1991)中属于力的分类对 类结果偏离真实的结果，因此，人们需要开发能同 象x，在逻辑上代表属性值[A，=菇，]^[A：=石：]^ ·第一作者简介：曹露燕(1982一)，女，河南人。在读硕士研究生