BIRCH層次聚类算法浅探.docVIP

BIRCH层次聚类算法浅探 郑泽宇 1300012810 何昊 1300012775 引言 聚类是把数据分类，达到同簇对象之间相似度最大。对于文档聚类，是把具有相似主题的文档进行归类，相当于对文档主题的提取，对于文档的搜索与存储具有重要意义。 聚类算法大概有五类：基于层次的算法；基于划分的方法；基于密度的方法；基于网格的方法；基于模型的方法 基本的层次聚类算法 根据层次分解的顺序由上而下或是由下而上，又分为凝聚的层次聚类算法和分裂的层次聚类算法。 凝聚的思想：把每个对象作为单独一类，合并最接近的两个簇并更新簇间距离，不断重复直到给定的终止条件 分裂的思想：把所有对象归于一个类没然后细分成小簇，直到给定的终止条件。 特点：不论是凝聚还是分裂，所有的过程都是不可逆的，即一旦合并或者分裂完成，就不能被撤销 BIRCH算法 Birch算法是利用数据点的聚类特征CF值构建一棵CF树来进行聚类的。通过CF值可以快速的进行间聚类，和同一个类中相似程度的估计。 具体的：CF是一个三元组（N，LS，SS），N是包含向量的个数，LS是向量的线性和，SS是向量的平方和。 同时对于向量簇定义如下量： 进行数学演算之后得到 簇直径D为 两簇之间的距离D2为 CF具有极好的线性性质 对于两簇合并 CF = CF1 + CF2 （N，LS，SS，） = （N1+N2， LS1+L