《数据挖掘》课件 第5章 聚类.pdfVIP

数据挖掘 高级大数据人才培养丛书之一，大数据挖掘技术与应用 第五章聚类 〃物以类聚，人以群分〃，聚类(Clustering )是人类认识世界的一种重要方 法。所谓聚类就是按照事物的某些属性，把事物聚集成簇，使簇内的对象之间 具有较高的相似性，而不同簇的对象之间的相似程度较差。 高级大数据人才培养丛书之一，大数据挖掘技术与应用 第五章聚类 5.1聚类概述 512划分方法 513层次方法 5：4基于密度的方法 5.5实战：银行客户聚类分析 习题 ，5.1聚类概述 第五章聚类 • 聚类(Clustering) :就是将一组物理的或抽象的对象，根据它们之间的相似程 度，分为若干簇，相似的对象构成一 。 ­ 聚类可 帮助用户理解数据集中的自然簇和结构。 • 簇(duster):聚在一起的一群对象，这些对象彼此相似. 簇内对象 距离最小 ，5.1聚类概述 第五章聚类 • 按照聚类分析算法主要思路的不同，聚类算法可以分为：划分 方法、层次方法、基于密度的算法、基于网格的算法、基于模 型的算法。 Q）划分聚类方法。对于给定的数据集，划分聚类方法通过选择 适当的初始代表点将数据样本进行初始聚类，之后通过迭代过程 对聚类的结果进行不断的调整，直到使评价聚类性能的准则函数 的值达到最优为止。 （2）层次聚类方法。层次聚类方法将给定数据集分层进行划分， 形成一个以各个聚类为结点的树型结构。层次聚类方法分为自底 向上（凝聚型层次聚类）和自顶向下（分解型层次聚类）两种方 式。 ，5.1聚类概述 第五章聚类 (3)基于密度 的聚类算法。 云要演定区［或的密/度0 (对象或数据点的数目)超过某个阈值就继续聚 类。也就是说，对给定类中的每个数据点，在一个给定范围的区域中必 须至少 包含某个数目的点。这样的方法可以用来过滤噪声和孤立点数据, 发现任意形状的类。 (4)基于网格的聚类算法。 首先 把对象空间划分成有限个单元的网状结构，所有的处理都是以单 个单元为对象的。这种方法的主要优点是处理速度快，其处理时间独立 于数据对象的数目，只与划分数据空间的单元数有关。 (5)基于模型的算法。 为每个簇假定一个模型，然后去寻找能够很好地满足这个模型的数据 集。这样的算法经常基于这样的假定：数据集是由一系列的概率分布所 决定的。 高级大数据人才培养丛书之一，大数据挖掘技术与应用 第五章聚类 5.1 聚类概述 5.2 划分方法 513层次方法 5.4 基于密度的方法 5.5实战：银行客户聚类分析 习题 ，5.2划分方法 第五章聚类 对于给定的数据集，划分方法通过选择适当的初始代表点将数据样本进行初 始聚类，通过迭代过程对聚类的结果进行不断地调整，直到使评价聚类性能 准则函数的值达到最优为止。属于