高级聚类算法.docVIP

高级聚类算法 摘要 聚类分析是数据挖掘领域一个活跃的研究分支,在数据挖掘中已经开发出许多聚类算法,具体可分为划分方法、层次方法、基于密度方法、基于网格的方法、基于模型的方法。本文对上述几类聚类分析算法进行了讨论,对每种聚类算法都举出了典型例子,并作了分析,指出了各种算法的优缺点并对聚类技术未来的发展作出了展望。 关键词 聚类划分层次密度 引言 聚类分析是将物理或抽象的集合分割为由类似对象组成的多个类的过程,使得位于同一类中的对象有高度的相似性,而不同类之间对象差别较大。聚类与分类不同,在分类模型中,存在样本数据,这些数据的类标号是已知的,分类的目的是从训练样本集中提取出分类的规则,用于对其它类标号未知的对象进行类标识。在聚类中,预先不知道目标数据的有关类的信息,需要以某种度量为标准将所有的数据对象划分到各个簇中。因此,聚类分析有时又称为无指导的学习或观察式学习。 在过去的几十年中,许多优秀的聚类算法已经被开发出来,可以分为划分方法、层次方法、基于密度的方法、基于网格的方法、基于模型的方法等。 1划分方法(partitioningmethod) 给定一个有N个元组或者记录的数据集,划分方法将构造K个分组,每一个分组就代表一个聚类,其中K≤N。而且这K个分组满足下列条件 (1)每一个分组至少包含一个数据记录 (2)每一个数据记录属于且仅属于一个分组。 注意,这个