第五章 聚类方法 .ppt

Chinese Academy of Science * 层次聚类方法的改进--BIRCH BIRCH算法试图利用可用的资源来生成最好的聚类结果。 通过一次扫描就可以进行较好的聚类，故该算法的计算复杂度是O(n)，n是对象的数目。 Chinese Academy of Science * 层次聚类方法的改进--CURE 很多聚类算法只擅长处理球形或相似大小的聚类，另外有些聚类算法对孤立点比较敏感。 CURE算法解决了上述两方面的问题，选择基于质心和基于代表对象方法之间的中间策略，即选择空间中固定数目的具有代表性的点，而不是用单个中心或对象来代表一个簇。 该算法首先把每个数据点看成一簇，然后再以一个特定的收缩因子向簇中心“收缩”它们，即合并两个距离最近的代表点的簇。 Chinese Academy of Science * 层次聚类方法的改进--CURE CURE算法采用随机取样和划分两种方法的组合，具体步骤如下： 从源数据集中抽取一个随机样本。 为了加速聚类，把样本划分成p份，每份大小相等。 对每个划分局部地聚类。 根据局部聚类结果，对随机取样进行孤立点剔除。主要有两种措施：如果一个簇增长得太慢，就去掉它。在聚类结束的时候，非常小的类被剔除。 Chinese Academy of Science * 层次聚类方法的改进--CURE CURE算法采用随机取样和划分两种方法的组合，具体步骤如下： 对上一步中产生的局部的簇进一步聚类。落在每个新形成的簇中的代表点根据用户定义的一个收缩因子?收缩或向簇中心移动。这些点代表和捕捉到了簇的形状。 用相应的簇标签来标记数据。 Chinese Academy of Science * 层次聚类方法的改进--CURE 由于它回避了用所有点或单个质心来表示一个簇的传统方法，将一个簇用多个代表点来表示，使CURE可以适应非球形的几何形状。 另外，收缩因子降底了噪音对聚类的影响，从而使CURE对孤立点的处理更加健壮，而且能识别非球形和大小变化比较大的簇。 CURE的复杂度是O(n)，n是对象的数目，所以该算法适合大型数据的聚类。 Chinese Academy of Science * 第五章 聚类方法 5.1 聚类方法概述 5.2 划分聚类方法 5.3 层次聚类方法 5.4 密度聚类方法 5.5 其它聚类方法 Chinese Academy of Science * 密度聚类方法 密度聚类方法的指导思想是： 只要一个区域中的点的密度大于某个域值，就把它加到与之相近的聚类中去。 这类算法能克服基于距离的算法只能发现“类圆形”的聚类的缺点，可发现任意形状的聚类，且对噪声数据不敏感。 但计算密度单元的计算复杂度大，需要建立空间索引来降低计算量，且对数据维数的伸缩性较差。 这类方法需要扫描整个数据库，每个数据对象都可能引起一次查询，因此当数据量大时会造成频繁的I/O操作。 代表算法有：DBSCAN、OPTICS、DENCLUE算法等。 Chinese Academy of Science * 密度聚类方法 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）一个比较有代表性的基于密度的聚类算法。 与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在有“噪声”的空间数据库中发现任意形状的聚类。 Chinese Academy of Science * 第五章 聚类方法 5.1 聚类方法概述 5.2 划分聚类方法 5.3 层次聚类方法 5.4 密度聚类方法 5.5 其它聚类方法 Chinese Academy of Science * STING STING(Statistaical Information Grid_based method) 是一种基于网格的多分辨率聚类技术，它将空间区域划分为矩形单元。 针对不同级别的分辨率，通常存在多个级别的巨型单元，这些单元形成了一个层次结构：高层的每个单元被划分为多个第一层的单元。 高层单元的统计参数可以很容易的从底层单元的计算得到。 Chinese Academy of Science * STING 这些参数包括属性无关的参数count、属性相关的参数m（平均值）、s(标准偏差)、min(最小值)、max(最大值)以及该单元中属性值遵循的分布类型。 STING算法采用了一种多分辨率的方法来进行聚类分析，该聚类算法的质量取决于网格结构最低层的粒度。 Chinese Academy of Science * STING