数据挖掘概念、技术--聚类.pptVIP

Chapter8.聚类分析什么是聚类分析?聚类分析中的数据类型主要聚类分析方法分类划分方法〔PartitioningMethods〕分层方法基于密度的方法基于表格的方法基于模型〔Model-Based〕的聚类方法异常分析总结2024/12/191

什么是聚类分析?簇〔Cluster〕:一个数据对象的集合在同一个类中，对象之间0具有相似性；不同类的对象之间是相异的。聚类分析把一个给定的数据对象集合分成不同的簇；聚类是一种无监督分类法:没有预先指定的类别；典型的应用作为一个独立的分析工具，用于了解数据的分布；作为其它算法的一个数据预处理步骤；

聚类的常规应用模式识别空间数据分析在GIS中，通过聚类发现特征空间来建立主题索引；在空间数据挖掘中，检测并解释空间中的簇；图象处理经济学(尤其是市场研究方面)WWW文档分类分析WEB日志数据来发现相似的访问模式2024/12/193

应用聚类分析的例子市场销售:帮助市场人员发现客户中的不同群体，然后用这些知识来开展一个目标明确的市场方案；土地使用:在一个陆地观察数据库中标识那些土地使用相似的地区；保险:对购置了汽车保险的客户，标识那些有较高平均赔偿本钱的客户；城市规划:根据类型、价格、地理位置等来划分不同类型的住宅；地震研究:根据地质断层的特点把已观察到的地震中心分成不同的类；2024/12/194

什么是一个好的聚类方法?一个好的聚类方法要能产生高质量的聚类结果——簇，这些簇要具备以下两个特点：高的簇内相似性低的簇间相似性聚类结果的好坏取决于该聚类方法采用的相似性评估方法以及该方法的具体实现；聚类方法的好坏还取决与该方法是能发现某些还是所有的隐含模式；2024/12/195

RequirementsofClusteringinDataMining可伸缩性能够处理不同类型的属性能发现任意形状的簇在决定输入参数的时候，尽量不需要特定的领域知识；能够处理噪声和异常对输入数据对象的顺序不敏感能处理高维数据能产生一个好的、能满足用户指定约束的聚类结果结果是可解释的、可理解的和可用的2024/12/196

Chapter8.ClusterAnalysis什么是聚类分析?聚类分析中的数据类型主要聚类分析方法分类划分方法〔PartitioningMethods〕分层方法基于密度的方法基于表格的方法基于模型〔Model-Based〕的聚类方法异常分析总结2024/12/197

两种数据结构数据矩阵(twomodes)差异度矩阵(onemode)2024/12/198

评价聚类质量差异度/相似度矩阵:相似度通常用距离函数来表示；有一个单独的质量评估函数来评判一个簇的好坏；对不同类型的变量，距离函数的定义通常是不同的，这在下面有详细讨论；根据实际的应用和数据的语义，在计算距离的时候，不同的变量有不同的权值相联系；很难定义“足够相似了”或者“足够好了”只能凭主观确定；2024/12/199

聚类分析中的数据类型区间标度变量〔Interval-scaledvariables〕:二元变量〔Binaryvariables〕:标称型，序数型和比例型变量〔Nominal,ordinal,andratiovariables〕:混合类型变量〔Variablesofmixedtypes〕:2024/12/1910

区间标度变量数据标准化计算绝对偏差的平均值:其中计算标准度量值(z-score)使用绝对偏差的平均值比使用标准偏差更健壮〔robust〕2024/12/1911

计算对象之间的相异度通常使用距离来衡量两个对象之间的相异度。常用的距离度量方法有: 明考斯基距离〔Minkowskidistance〕:其中i=(xi1,xi2,…,xip)和j=(xj1,xj2,…,xjp)是两个p维的数据对象,q是一个正整数。当q=1时,d称为曼哈坦距离〔Manhattandistance〕2024/12/1912

SimilarityandDissimilarityBetweenObjects(Cont.)当q=2时,d就成为欧几里德距离:距离函数有如下特性：d(i,j)?0d(i,i)=0d(i,j)=d(j,i)d(i,j)?d(i,k)+d(k,j)可以根据每个变量的重要性赋予一个权重2024/12/1913

二元变量二元变量的可能性表 其中每个对象有p个变量，且 p=a+b+c+dObjectiObjectj2024/12/1914

二元变量对称的 如果一个二元变量的两个状态是同等价值的，具有相同的权重。即可以任取其中一种状态编码为1或者0 对于对称的二员