高维数据对象聚类算法效果分析.pdfVIP

年 月 ， 2012 4 中 国 管 理 信 息 化 Apr. 2012 第 卷第 期 China Management Informationization ， 15 8 Vol．15 No．8 高维数据对象聚类算法效果分析 1 1 2 郝 媛 ，高学东 ，孟海东 （1. 北京科技大学 东凌经济管理学院，北京 100083； 2. 内蒙古科技大学矿业工程学院，内蒙古 包头 014010） 虽然经典聚类算法能够有效地处理维度较低的数据对象，但随着维度的增加，算法的性能和效率就会明显下降。 ［摘 要］ 本文在对数据对象间的最大距离和平均距离随维数增加的变化趋势实验基础上，对聚类算法的聚类精度随数据对象维度 增加的变化特征进行了实验研究。 同时，利用复相关系数的倒数对属性进行加权，提出了利用复相关系数倒数阈值实现降 维的方法，并取得了良好的实验结果。 ［关键词］高维数据；聚类效果；复相关系数；降维 doi: 10. 3969/j. issn. 1673 - 0194. 2012. 08. 035 （ ） ［中图分类号］F270.7；TP301 ［文献标识码］A ［文章编号］1673-0194 2012 08-0051-03 1 引 言 来重新分布列对行的影响，并反过来进行。 聚类分析是数据挖掘领域中的一项重要的研究课题， 高维 本文在对数据对象间的最大距离和平均距离随维数增加的 数据对象的聚类又是聚类分析的重要研究课题， 也是涉及到聚 变化趋势实验基础上，通过实验研究了聚类算法的聚类精度随数 类算法是否能够有效地应用于各个领域，例如多属性（高维）流 据对象维度的变化特征。 同时，提出了利用复相关系数倒数阈值 数据的聚类分析。 高维数据的特点表现为： 高维数据集中存在 实现降维的方法。 ① 大量无关的属性使得在所有维中存在簇的可能性几乎为零；② 2 数据对象离散度与维度的关系 高维空间中数据比低维空间中数据分布稀疏， 其中数据间距离 2．1 实验数据 几乎相等是普遍现象。 目前， 对高维数据的聚类主要有 种方 实验中所用的数据集均来自 数据库， 数据集包括 ， 3 UCI Iris 法：属性转换、子空间聚类、协同聚类、属性转换是通过创建新属 ， ， 和 Wine Wisconsin Diagnos