第8章-聚类资料讲解.pptxVIP

;目录 CONTENTS;Chapter 8.1;;;;;;Chapter 8.2;;;;;;;;;;;;;;;;;;;;;;Chapter 8.3;;;;;;;;DIANA算法的基本过程分为以下几步： ①把所有对象整体作为一个初始簇； ②将splinter group和old party两个对象集合置空； ③在所有簇中挑出具有最大直径的簇C，找出C中与其他对象平均相异度最大的一个对象p，把p放入splinter group，剩余的对象放入old party中； ④然后不断的在old party里找出满足如下条件的对象：该对象到splinter group中的对象的最近距离小于等于到old party中的对象的最近距离，把该对象加入splinter group，直到没有新的old party的对象被找???。此时，splinter group和old party两个簇与其他簇一起组成新的簇集合； ⑤重复步骤③和④，直至簇的数目达到终止条件规定的数目。;例8.3 使用DIANA算法进行聚类 样本数据集如表8-2所示，样本点间欧几里得距离如表8-4所示。设终止条件为k=2，采用DIANA算法进行层次聚类。;?;?;?;? 缺点是已做的分裂操作不能撤销，类之间不能交换对象。如果在某步没有选择好分裂点，可能会导致低质量的聚类结果。大数据集不太适用。;;;AGNES算法的过程基本分为以下几步： ①将每个对象作为一个初始簇； ②根据两个簇中最近的数据对象找到最近的两个簇，合并两个簇，生成新的簇的集合； ③重复步骤②，直到达到定义的簇的数目。;例8.4 使用AGNES算法进行聚类 样本数据集如表8-2所示，样本点间欧几里得距离如表8-4所示。设终止条件为k=2，采用AGNES算法进行层次聚类。;?;?;?;;算法性能： AGNES算法比较简单，但一旦一组对象被合并，下一步的处理将在新生成的簇上进行。已做处理不能撤消，聚类之间也不能交换对象。增加新的样本对结果的影响较大。;Chapter 8.4;?;?;;DBSCAN（Density-Based Spatial Clustering of Application with Noise，具有噪声应用的基于密度的空间聚类）算法：在数据对象集中查找簇和噪声，这里的簇指的是对象集中的簇，即核心对象密度可达的所有对象的集合。 算法的基本思想：每个簇的内部点的密度比簇的外部点的密度要高得多。它定义簇为“密度相连”的最大对象集，不包含在任何簇中的对象被认为是“噪声”。 ;?;?;解：对图8-24中的对象以从上往下、从左往右的顺序进行编号，以标识对象。 ①标记所有点为unvisited。 ②随机选择点6，标记为visited，以它为圆心、半径为1的邻域内包含2个点，不满足不小于MinPts的要求，因此它不是核心点，暂标记为噪声。如图8-25所示。;③随机选择点2，标记为visited，以它为圆心、半径为1的邻域内包含3个点，不满足不小于MinPts的要求，可知其不是核心点，暂标记为噪声。 ④随机选择点1，标记为visited，以它为圆心、半径为1的邻域内包含3个点，不满足不小于MinPts的要求，可知其不是核心点，暂标记为噪声。;⑤随机选择点5，标记为visited，以它为圆心、半径为1的邻域内包含5个点，大于MinPts，可知其为核心点。生成新簇C1，将点5放入C1，即C1={5}。将点5的半径为1的邻域内的点放入候选集合N中，即N={2,4,6,7}，其中点2和点6为visited，点4和点7为unvisited。 在N中选择unvisited的点4，标记为visited，以点4为圆心、半径为1的邻域内包含4个点，等于MinPts，可知点4也是核心点，因点4不属于其他簇，将点4放入C1，即C1={4,5}。将点4的半径为1的邻域内的点放入候选集合N中，即N={1,2,3,6,7}，其中点1、点2和点6为visited，点3和点7为unvisited。 在N中选择unvisited的点3，标记为visited，以点3为圆心、半径为1的邻域内包含2个点，不满足不小于MinPts的要求，可知其不是核心点，因点3不属于其他簇，将点3放入C1，即C1={3,4,5}，N={1,2,6,7}，其中点1、点2和点6为visited，点7为unvisited。 在N中选择unvisited的点7，标记为visited，以点7为圆心、半径为1的邻域内包含3个点，不满足不小于MinPts的要求，可知其不是核心点，因点7不属于其他簇，将点7放入C1，即C1={3,4,5,7}，N={1,2,6}，其中点1、点2和点6为visited。 在N中点1、点2和点6虽为visited，但它们不属于其他簇，将它们放入C1