聚类分析综述教学课件.ppt

* 聚类综述 * 蝴蝶型数据集 * * 聚类中心 * 聚类综述 * * 聚类综述 * K-Means的进一步应用 K-Means的分类结果并不保证有实际的价值，通常需要其它手段来解释，如： A)把类别作为目标变量建立一个决策树，并用它产生一些规则解释说明如何把新的样品正确的归类； B)使用可视化的方法研究这些类别如何受输入变量变化的影响； C)检查一类到另一类变量分布的差异，每一次一个变量。 * 聚类综述 * 基于密度的聚类方法 基于密度的方法与其它方法的一个根本区别是：它不是基于各种各样的距离的，而是基于密度的 这样就能克服基于距离的算法只能发现“类圆形”的聚类的缺点 * 聚类综述 * 基于网格的聚类方法 这种方法首先将数据空间划分成为有限个单元（Cell）的网格结构,所有的处理都是以单个的单元为对象的 这么处理的一个突出的优点就是处理速度很快 * 聚类综述 * 基于模型的聚类方法 基于模型的方法给每一个聚类假定一个模型，然后去寻找能个很好的满足这个模型的数据集 它的一个潜在的假定就是：目标数据集是由一系列的概率分布所决定的 9种车如何分类？ 按照重量和最高速度来分类 图中的术语 计算机如何辨识这些分类？ 已知数据的情况下，如何找到某一类的更一般的特征（聚类中心）？如何找到聚类的中心点？ K-MEANS有其缺点：产生类的大小相差不会很大，对于脏数据很敏感。 k—med