聚类分析原理及步骤.pdfVIP

. 聚类分析原理及步骤 ——将未知数据按相似程度分类到不同的 类或簇的过程 1》 传统的统计聚类分析方法包括系统聚类法、分解法、加入法、 动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用 k- 均值、 k- 中心点等算法的聚类分析工具已被加入到许多著名 的统计分析软件包中，如 SPSS、SAS 等。 典型应用 1》 动植物分类 和对基因进行分类 2》 在网上进行文档归类来修复信息 3》 帮助电子商务的用户了解自己的客户，向客户提供更合适 的服务 主要步骤 依 1》 数据预处理——选择数量， 类型和特征的标度 （（ 据特征选择和抽取）特征选择选择重要的特征，特征抽取把输入的特征转化 为一个新的显著特征， 它们经常被用来获取一个合适的特征集来为避免 “维数 灾 ”进行聚类 ）和将孤立点移出数据（ 孤立点是不依附于一般数 据行为或模型的数据 ） 2》 为衡量数据点间的相似度定义一个距离函数—— 既然相类似性是定义一个类的基础，那么不同数据之间在同一个特 征空间相似度的衡量对于聚类步骤是很重要的，由于特征类型和特 征标度的多样性，距离度量必须谨慎，它经常依赖于应用，例如， 通常通过定义在特征空间的距离度量来评估不同对象的相异性，很 多距离度都应用在一些不同的领域一个简单的距离度量，如 Euclidean距离，经常被用作反映不同数据间的相异性， 一些有关相 ;. . 似性的度量，例如 PMC 和 SMC ，能够被用来特征化不同数据的概 念相似性，在图像聚类上，子图图像的误差更正能够被用来衡量两 个图形的相似性 3》 聚类或分组—— 将数据对象分到不同的类中 【划分方法 （划分方法一般从初始划分和最优化一个聚类标准开始 ，Crisp Clustering 和 Fuzzy Clusterin 是划分方法的两个主要技术， Crisp Clustering ，它的每一个数据都属于单独的类； Fuzzy Clustering ，它的 每个数据可能在任何一个类中）和 层次方法 （基于某个标准产生一 个嵌套的划分系列，它可以度量不同类之间的相似性或一个类的可分 离性用来合并和分裂类）是聚类分析的两个主要方法，另外还有基于 密度的聚类，基于模型的聚类，基于网格的聚类 】 4》 评估输出—— 评估聚类结果的质量 （它是通过一个类有效索引来 评价，，一般来说，几何性质，包括类间的分离和类内部的耦合，一般 都用来评价