.DATA MINING(CH3).pptVIP

数据挖掘与知识发现(第2版) (49-*) BIRCH算法 CF树存储了层次聚类的聚类特征。它是一棵带有两个参数的高度平衡的树，这两个参数为分支因子B和阈值T。 非叶子节点至多有B个形如[CFi, childi ]的项(i=1, 2,…,B)。 “childi”是指向第i个孩子节点的指针， CFi是该孩子节点表示的子簇的聚类特征。 非叶子节点表示由所有孩子节点表示的子簇组合形成的簇。 叶子节点至多包含L个项，形如[CFi] (i=1, 2,…, L)。 有两个指针“prev”和“next”，用于把所有叶子连成链。 叶子节点表示由相应项描述的子簇形成的簇。 叶子节点的项满足阈值T，T表示叶子节点中子聚类的最大直径（或半径）。 数据挖掘与知识发现(第2版) (49-*) BIRCH算法 BIRCH算法： 采用多阶段聚类技术，对数据集合进行单遍扫描后生成初步簇，再经过一遍或多遍扫描改进聚类质量， CF树的重建类似于B＋树构建中的节点插入和节点分裂 。 算法优点： 对大型数据库的高效性和可扩展性 支持增量聚类 复杂度为O (n) 算法缺点： CF树对节点中包含项的数目有限制，这可能导致节点并未对应实际数据集的一个自然簇。 不适合发现非球形的簇。 数据挖掘与知识发现(第2版) (49-*) CURE算法 CURE（利用代表点聚类,Clustering Using Representatives）算法是介于基于质心方法和基于代表对象点方法之间的策略。 CURE算法 不是利用质心或单个代表对象点来代表一个簇，而是首先在簇中选取固定数目的、离散分布的点，用这些点反映簇的形状和范围。然后把离散的点按收缩因子? 向簇的质心收缩。收缩后的离散点作为簇的代表点。两个簇的距离定义为代表点对（分别来自两个簇）距离的最小值，在CURE算法的每一步合并距离最近的两个簇。 调节收缩因子α，α?[0, 1]，可以让CURE发现不同形式的簇。当α=1时，CURE还原为基于质心的方法。当α=0时，CURE还原为MST（最小生成树）方法。 CURE算法特点： 可以发现非球形及大小差异较大的簇。 对噪声不敏感。 数据挖掘与知识发现(第2版) (49-*) Chameleon算法 Chameleon算法是一种采用动态建模技术的层次聚类算法。 Chameleon算法分两个步骤： 第一步利用图划分算法将数据对象聚类为若干相对较小的子聚类； 另一步是采用凝聚的层次聚类算法合并子簇，从而发现真实的簇。 Chameleon中数据项的稀疏图表示采用k-最近邻图方法。 k-最近邻图中每个顶点表示一个数据对象。 如果对象u是对象ν的k-最近似点之一，或ν是u的k-最近似点之一，则在表示u和ν的顶点间存在一条边。 把对象所在区域的密度作为边的权重，权重可以反映数据空间的总体密度分布，应该对密集区域和稀疏区域的数据均匀建模。 由于Chameleon算法建立在稀疏图基础之上，所以每一个簇是数据集原始稀疏图的一个子图。 数据挖掘与知识发现(第2版) (49-*) Chameleon算法 Chameleon考查两个簇的相对互联度RI和相对接近度RC，利用动态建模框架来决定簇间的相似度。 簇Ci和Cj之间的相对互联度RI(Ci, Cj)定义为： 其中，EC(Ci, Cj)是把由Ci和Cj组成的簇分裂为Ci和Cj的边割集；EC(Ci)是将Ci对应的子图划分为大致相等的两部分需截断的边割集（最小截断等分线上的边）。 簇Ci和Cj之间的相对接近度RC(Ci, Cj)定义为： 其中， 是连接Ci和Cj顶点的边的平均权重； 是Ci在EC (Ci)中的边的平均权重；∣Ci∣表示Ci中数据点的个数。实际上，RC是相对于两个簇内部接近度对簇间绝对接近度的规范化。采用RC避免了将小而稀疏的簇合并到大而密集的簇。 数据挖掘与知识发现(第2版) (49-*) Chameleon算法 Chameleon选择RI和RC都高的簇进行合并，实质上是合并既有良好互联性又相互接近的两个簇。因此，可以定义一个由RI和RC组合而成的函数，选择使该函数取最大值的一对簇进行合并。例如，可以采用下述形式： RI (Ci, Cj) ? RC (Ci, Cj)? 其中，α是用户定义的参数。α1时，侧重于相对接近度；α1时，侧重于相对互联度。 数据挖掘与知识发现(第2版) (49-*) 基于密度的聚类方法 大型空间数据库中可能含有球形、线形、延展形等多种形状的簇，要求聚类算法应具有： 发现任意形状簇的能力。 在大型数据库上具有高效性。 基于密度