数据挖掘中聚类算法的比较研究.docxVIP

数据挖掘中聚类算法的比较研究 第17卷第2期 2OO5年6月 浙江永利水电专科学校 J.ZhejiangWat.Consamp;Hydr.College Vo1.17No.2 Jun.20O5 数据挖掘中聚类算法的比较研究 刘泉凤,陆蓓 (1.浙江水利水电专科学校,浙江杭州310018;2.杭州电子科技大学计算机学院,浙江杭州310018) 摘要:聚类是数据挖掘领域中的一个重要研究课题.本文首先综合提出评价聚类算法好坏的八个标准,然后在此标准基础上,对 数据挖掘中的常用算法进行分类分析比较,并得出比较结果,以使人们在实际应用中能方便,快捷地找到最好的聚类算法以解决实 际问题. 关键词:数据挖掘;聚类方法;BIRCH法;CuRE法 中图分类号:TP392文献标识码:A文章编号:1008—536x(2005)02—0055—04 ResearchonClusteringMethodinDataMining LIUQ啪,lg一,Pei (1.ZhejiangwaterConservancyamp;HydropowerCollege,Hangzhou310018,China; 2.SchoolofComputerScience,HangzhouDianziUnivorsity,Hangzhou310018,China) Ab!由t:Clusteringisanimportanttopicinthetextmining.Inthispaper,atfirst,eightstandardsareputforwardwhichareusedtoevaluatethese clusteringmethods.Thendusteringapproachesareclassifiedandcomparedbasedonthisstanda.~,SOthatpeopleCaneasilyandquicklyfinda clusteringmethodinthepracticalapplications. Keywords:DataMining;ClusteringMethod;BIRCHCURE 0引言 数据挖掘是近几年随着数据库和人工智能发展起来的一 门新兴的数据库技术,它从大量原始数据中发掘出隐含的,有 用的尚未发现的信息和知识,帮助决策者寻找数据间潜在的关 联,发现被忽略的因素,因而被认为是解决现代社会”数据爆 炸”和”RichDataPoorInformation”问题的一种有效方法. 然而目前研究者们提出的每种聚类方法都有其自身的优 缺点及其特定的适用数据范围,即对于相同的数据集,若采用 不同的聚类方法,常得到不同的划分结果.为了人们在实际应 用中能更容易,更快捷地找到最好的聚类算法以解决其实际问 题,本文对数据挖掘领域的聚类分析方法及代表算法进行分 析,并从多个方面对常用算法的性能面进行比较.并得出比较 结果. 1数据挖掘中聚类算法比较标准 聚类是一个富有挑战性的研究领域,它的潜在应用提出了 各自特殊的要求.为了能更合理地比较各聚类算法,本文认为 收稿日期:2O04.12—23 基金项目:浙江省教育厅基金项目 作者简介:刘泉凤(1979一),女,浙江诸暨人,在职硕士研究生,现从 事图书馆工作. 对各聚类算法的比较应基于以下几大标准…1: (1)算法是否有较好的可伸缩性:即看算法是否不仅能较 好地处理小数据量,而且也能有效处理大数据量; (2)算法效率:即看算法是否有较高的效率,能满足大数据 量,高复杂性的数据聚类要求; (3)算法是否能处理不同类型属性的数据:即要看聚类算 法是否能有效处理各种类型的数据,例如数值型,序数型,二元 型等. (4)算法是否能发现任意形状的聚类:在实际应用上,一个 簇可能是任意形状的,因此看算法是否能发现任意形状簇这点 很重要. (5)算法中用于决定输入参数的领域知识是否最小:许多 聚类算法常要求用户输入一定的参数,且聚类结果对于这样的 输入参数十分敏感,而这些参数通常是很难确定的.因此要尽 量避免这些参数. (6)算法是否有较好的处理噪声数据的能力:现实世界中 的数据库常包含有孤立点,空缺,未知数据或错误的数据,为了 使这些数据不影响聚类结果的质量,这就要求聚类算法对于这 样的数据不敏感, (7)算法是否有处理高维数据的能力:看聚类算法是否不 仅擅长于处理低维的数据,而且也能有效处理高维的数据. 浙江水利水电专科学校第17卷 (8)算法是否对输入记录的顺序不敏感:即对同一聚类算 法,当以不同的顺序输入数据时,生成的聚类结果差别不大. 2数据挖掘中聚类方法