聚类算法的分析与研究.pdfVIP

the Ana1ysi S and Research of ClUSterin9 Algotithms 梅 梦 Mei Meng (江西省商务学校，江西 南昌 330100) (Jiangxi Commercial School，Jiangxi Nanchang 330100) 摘 要：本文对聚类分析中聚类算法的基本理论进行了详细分析研究，并在此基础上，提出了一个聚类算法的通用算 法框架。 关键字：聚类分析：聚类算法：算法框架 中图分类号：TP301．6 文献标识码：A 文章编号：1 671—4792一(2007)1 1—0006一O2 Abstract：In this thesis，the basic theory of clustering algorithms in clustering analysis is researched ． based on this，a general algorithms framework of c1ustering algorithms is given． Keywords：Clustering Analyzing；Clustering Algorithms；Algorithms Framework 0 引言 之问的距离越大，则它们之问的相似度越小。一般地，根据 聚类就是将数据集分成多个类 (或簇)，在同—个簇中 簇中数据点之间的距离度量标准，可以确定簇与簇之问的距 的数据点之间尽可能相似，不同簇巾的数据点之问尽可能不 离度量标准。 相似。聚类分析源于许多研究领域，包括数据挖掘、统计学、 1．3数据点与簇之间的相似度度量 生物学以及机器学习。聚类分析已经广泛地用在许多应用 有些聚类算法在对数据集聚类的过程巾，需要利用数据 巾，包括模式识别、数据分析、图像处理、市场研究等。 点与簇之问的相似度，将数据点添加到与它的相似度最大的 欲对一个数据集进行聚类分析，就必须从现有的聚类算 簇巾。这个相似性度量常常是基于数据点与簇之间的距离度 法中选择一个适合特定问题的算法或者根据特定问题设计一 量，距离越大，则它们之问的相似度越小。而数据点与簇之 个聚类算法进行数据分析。就是说聚类分析有赖于以下二个 间的距离常用数据点与簇的重心之间的距离来表示。 方面：①必须具有有效的聚类算法可供聚类分析选择使用； 2 聚类准则问题 ②根据特定问题选取合适的聚类算法。算法的选择取决于数 在聚类算法中，需把数据集中的数据点分成多个簇，在 据的类型、聚类的目的和应用。若聚类分析被用作描述或探 同一簇中的数据点之间尽可能相似，而不同簇巾的数据点尽 索的工具，可以对同样的数据尝试多种算法，以发现数据可 可能不相似。用来判断已找出的簇是否符合这些要求的准则 能揭示的结果。 称为聚类准则。最常用的聚类准则是 “误差平方和准则” 。 1 相似性的度量问题 3 聚类算法的比较 相似性的度量包括数据点与数据点之间的相似性度量、 以下主要基于 “是否具有发现任意形状的簇的能力”这 簇与簇之间的相似性度量、数据点与簇之问的相似度度量。 个聚类算法的评价标准，对常见的几个聚类算法进行比较， 以下从这三个方面进行分析。 以便于人们在对数据进行聚类分析时选择合适的聚类算法。 1．1数据点与数据点之问的相似性度量 3．1 K-means算法 这个相似性度量常常是基于数据点之问的距离度量，数 该算法用簇重心作为簇代表，因而它只能发现“类球形” 据点之问的距离越大，则它们之问的相似度越小。而数据点