20110801303计科三班吕良datamining4.docxVIP

第四次作业 1■假设数据挖掘的任务是将如下的八个点(用( X, y)代表位置)聚类为三个簇。 A1( 2,10), A2( 2,5), A3( 8,4), B1( 5,8), B2 (7,5), B3 (6,4), C1 (1,2), C2( 4, 9)距离函数是欧几里得距离。 假设初始我们选择，和分别为每个簇的中心， 用k均值算法给出： 在第一轮执行后的三个簇中心点为多少？ 最后的三个簇是什么？ 答： 在第一次循环执行后的三个簇中心分别为( 6, 6), (1.5,3.5), ( 2, 10)重新指派各 个对象到离其最近的质心，与上面方面相同，形成的三个簇为{ A3,B1,B2,B3}, { C1, A2}, {A1,C2}三个簇的质心分别为(6.5, 5.25), (1.5, 3.5) (3, 9.5)；重新指派各个对象到离 其最近的质心，形成的三个簇为:{A3,B2,B3} {C1,A2} {A1,B1,C2} 三个簇的质心分别为：(7, 4.3), (1.5, 3.5), (3.67, 9);重新指派各个对象到离其最近的 质心,形成的三个簇为:{ A3,B2,B3} {C1,A2} {A1,B1,C2三个簇的质心分别为：(7, 4.3) (1.5 , 3.5), ( 3.67, 9);至此质心不发生变化； 最后三个簇即为{ A3,B2,B3} {C1,A2} {A1,B1,C2}; 2.证明：在DBSCAN中，对于固定的MinPits值和两个邻域阈值e1e2,关于e1和 MinPits的簇C一定是关于e2和MinPits的簇C的子集。 证明： 假设一个对象集合 D,关于MinPits值和邻域阈值e1 任一满足核心对象条件的数据对象 p,数据库D中所有从p密度可达的数据对象 o所组成的 集合构成了一个完整的聚类 C,且p属于C; 其中对象p在e1邻域内的样本点数大于等于 Min Pts ;其他 对象链皿畑小 对象链 皿畑小m阖对于一，_ 关于e1和Min Pts直接密度可达， 如果簇C中存在核心对象P,且P不属于簇C ，则点对象P的 e2邻域的样本点数小于 MinPts , 若对象P的e2邻域的样本点数小于 MinPts，由于e1e2,那么对象P的e1邻域的样本点数小于―| Min Pts ,这与P是簇C的核心对象矛盾，所以 簇C中的核心对象一定是簇 C中核心对象的 子集； 如果簇C中存在非对象 N,且N不属于簇C ,贝U对象N不是从对象 P关于e2和MinPts 密度可达的，由于e1e2,那么对象N也不是从对象 P关于e1和Min Pts密度可达的，这与N 属于簇C矛盾，所以簇C中的非核心对象一定是簇 C中非核心对象的子集； 因此，关于e1和MinPits的簇C 一定是关于e2和MinPits的簇C的子集 ⑵必须指定的3.按如下标准对下列每种聚类方法进行描述： ⑴可以确定簇的形状; ⑵必须指定的 输入参数；⑶局限性。 k-均值 k-中心点 CLARA BIRCH CHAMELEON DBSCAN 答： k-均值 （1） 不适合发现非凸面形状的簇，对噪声和孤立点数据是敏感的 （2） 簇的数目k和包含n个对象的数据库 （3 ）不适合分类属性的数据，必须给定 k，对初始值k比较敏感 k-中心点 （1） 消除了 k-平均算法对于孤立点的敏感性 （2） 簇的数目k和包含n个对象的数据库 （3 ）对小的数据集非常有效，对大数据集效率不高 CLARA （1） 凸形或球形 （2） 簇的数目k和包含n个对象的数据库 （3 ）准确度取决于抽样算法 BIRCH （1） 对非球状的簇聚类效果不好。这取决于簇直径和簇间距离的计算方法 （2） 包含n个对象的数据库，聚类个数和簇直径限制 k （3 ）需提供正确的聚类个数和簇直径限制，对不可视的高维数据不可行 CHAMELEON （1 ）可以发现任意形状的簇 （2） 包含n个对象的数据库，用户指定的阀值 TRI, TRC （3） 最坏情况下对高维数据的处理代价可能需要 0 （n*n）的时间 DBSCAN （1 ）可以发现任意形状的簇 （2）包含n个对象的数据库，半径 ，最少数目Min Pts （3 ）对用户定义的参数敏感