Cluster聚类.ppt

基于密度的网格聚类（二） SOM分类（二） 1模拟数据分布 2投票形成类别分布 3分类训练 4分类训练 5分类训练 6分类训练 7 重新形成类别划分 8 分类 在分类训练时采用类似于聚类算法中调整办法，对获胜神经元临域范围内的多个神经元进行调整; 训练数据 获胜神经元 临近神经元 1分类训练 2分类训练 SOM分类决策平面 SOM类别划分结果中，以神经元作为类别中心，SOM的类别划分结果同样对应一个VORONOI图; SOM发展方向 初始结构选择，使神经元结构符合数据分布; 大规模文档聚类，缩短聚类时间; 引入语义相似; 不同特征赋予不同权重; 后两种改进方向对于任何聚类算法均通用！ 相关文章 Data collection Blake C, Keogh E, Merz C.J. UCI Repository of Machine Learning Databases. 1998, /~mlearn/MLRepository.html Criterion Ying Zhao, George Karypis. Criterion Functions for Document Clustering Experiments and Analysis . Technical Report TR #01--40, Department of Computer Science, University of Minnesota. 相关文章 SOM T. Kohonen. Self-Organizing Maps. Springer, Berlin, 1995, (second, extended edition 1997). GSOM Alahakoon, Halgamuge S. K. Dynamic Self-Organizing Maps With Controlled Growth For Knowledge Discovery. IEEE Transactions on Neural Networks, 2000. 相关文章 PSOM Lang R,?Warwick K.?The Plastic Self Organizing Map. Proceedings of the 2002 International Joint Conference on Neural Networks. (IJCNN’02) DASH Hung C, Wermter S. A Dynamic Adaptive Self- Organizing Hybrid Model For Text Clustering. Proceedings of The Third IEEE International Conference on Data Mining. (ICDM’03) 相关文章 SOM Density Yi Zheng,??Greenleaf J.F.??The Effect Of Concave And Convex Weight Adjustments On Self-Organizing Maps. IEEE Transactions on Neural Networks, 1996. Kernel Clustering 焦李成, 周伟达, 张莉. 核聚类算法. 计算机学报, 2002. Thank You！ 相对密度（二） 改变对固定 的依赖 的近邻密度: 的相对密度: 说明 与其周围数据的密度相差不多， 能与周围数据很好的融合在一起， 大致位于类别中心范围; 1 将数据空间划分为有限个网格单元; 2 计算每个网格单元的密度; 3 如果网格单元的密度大于一定阈值则此网格单元为密集网格; 4 将临近的密集网格单元合并为一个类别; 基于密度的网格聚类（一） SOM SOM（自组织映射）的由来： 1991，Kohonen提出，模拟人脑中的神经元层; 人脑中不同的神经元区域负责不同的功能; 一旦有外部刺激，与刺激相关的神经元会被激励，并且其附近神经元也会受到激励; SOM两层结构图 SOM聚类步骤 1 确定神经元分布结构及神经元数，每个神经元代表一个类别; 2 随机初始化神经元向量; 3 随机选择输入数据; 4 计算输入数据与每个神经元的相似度; 5 选择具有最大相似度的神经元为获胜神经元; 6 调整获胜神经元向量，及位于获胜神经元邻域范围内的神经元向量; 7 判断是