聚类剖析算法学习汇报.pptVIP

聚类分析算法 ——学习汇报;聚类分析概述;聚类分析的应用;聚类分析的要求;聚类分析中的数据类型;区间标度变量 ;度量值的标准化 ;对象间的相异度计算;聚类分析中的数据类型;二元变量; 基于对称二元变量的相似度称为恒定的相似度，即当一些或者全部二元变量编码改变时，计算结果不会发生变化。 如果二元变量的两个状态的输出不是同样重要，则该二元变量是不对称的。基于这样变量的相似度被称为非恒定的相似度。 ;聚类分析中的数据类型; 1、标称型变量 标称变量（nominal）是二元变量的推广，它可以具有多于两个的状态值。例如，map-color是一个标称变量，它可能有五个状态：红色，黄色，绿色，粉红色和蓝色。两个对象Ｉ和j之间的相异度可以用两种方法来计算： （1）简单匹配方法 M是匹配的数目，P是全部变量的数目 （2）使用二元变量 为每一个状态创建一个新的二元变量，可以用非对称的二元变量来编码标称变量。; 一个离散的序数（ordinal）型变量类似于标称变量，除了序数型变量的Ｍ个状态是以有意义的序列排序的。在计算对象的相异度时，序数型变量的处理与区间标度变量非常类似。（1）将xif 用它对应的秩代替。 （2）将每个变量的值域映射到[0.0，1.0]上，使得每个变量都有相同的权重。这通过用zif来替代rif来实现。  （3）用前面所述的区间标度变量的任一种距离计算方法来计算。; 用比例标度型变量描述对象之间相异度有以下三种方法： （1）采用与处理区间标度变量相同的方法。 （2）对比例标度型变量进行对数变换，如： yif = log(xif) 然后再对变换得到的值按区间标度的值处理。 （3）将其作为连续的序数型数据，将其秩作为区间标度的值来对待。;聚类分析中的数据类型; 在许多现实的数据库中，对象是被混合类型的变量描述的。一般来说，一个数据库可能包含上面列出的全部六种变量类型。用以下的公式计算i和j的相异度： 其中，p为对象中的变量个数 （1）如果xif或xjf缺失（即对象i或对象j没有变量f的值），或者xif = xjf =0，且变量f是不对称的二元变量，则指示项δij(f)=0；否则δij(f)=1。 （2）f 是二元变量或标称变量: if xif = xjf dij(f) = 0, else dij(f) = 1 （3）f是区间标度变量：dij(f) = | xif-xjf |/maxhxhf-minhxhf （4）f 是序数型或比例标度型： 计算秩rif 计算zif并将其作为区间标度变量值对待 ; 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 ; 划分方法（partitioning method）的基本思想是：给定一个n个对象或元组的数据库，一个划分方法构建数据的k个划分，每个划分表示一个聚簇，并且kn。也就是说，它将数据划分成为k个组，同时满足如下要求： 每个组至少包括一个对象； 每个对象必须属于且只属于一个组。 基于划分的聚类会要求穷举所有可能的划分。实际上，绝大多数应用采用了以下两个比较流行的启发式方式： （1）k-平均算法。在该算法当中，每个簇用该簇中对象的平均值来表示。 （2）k-中心点算法。在该算法中每个簇用接近聚类中心的一个对象来表示。 ; 层次方法（hierarchical method）的基本思想是：对给定数据对象集合进行层次的分解。根据层次的分解如何形成，层次的方法可以分为凝聚的和分裂的。 （1）凝聚的方法：又称为自底向上的方法，一开始将每个对象作为单独的一个组，然后根据一些规则相继地合并相近的对象或者组，将它们聚合成越来越大的类，直到所有的组合并为一个，或者达到一个预先设定的终止条件。 ; （2）分裂的方法：又称为自顶向下的