聚類方法clustering(更新版)
【正文】 有大量的數(shù)據(jù)去支持， Data Mining就什么都挖不出來。詳見參考書 劃分方法（ Partitioning method） ? 較流行的方法有 : ?動態(tài)聚類法（也稱逐步聚類法），如 k－均值算法、 k－中心點(diǎn)算法 ? 思想： ?隨機(jī)選擇 k個對象，每個對象初始地代表一個類的 平均值 或 中心 ，對剩余每個對象，根據(jù)其到類中心的距離，被劃分到最近的類；然后重新計算每個類的平均值。 不穩(wěn)定的聚類方法 ? 算法的選擇沒有絕對 ? 當(dāng)聚類結(jié)果被用作描述或探查工具時，可以對同樣的數(shù)據(jù)嘗試多種算法，以發(fā)現(xiàn)數(shù)據(jù)可能揭示的結(jié)果。如加權(quán)歐式距離，權(quán)重可以用專家法確定。（圖解） 劃分方法（ Partitioning method） ? 特點(diǎn)： ? k事先定好 ?創(chuàng)建一個初始劃分，再采用迭代的重定位技術(shù) ?不必確定距離矩陣 ?比系統(tǒng)聚類法運(yùn)算量要小，適用于處理龐大的樣本數(shù)據(jù) ?適用于發(fā)現(xiàn)球狀類 劃分方法（ Partitioning method） ? 缺陷： ?不同的初始值，結(jié)果可能不同 ?有些 k均值算法的結(jié)果與數(shù)據(jù)輸入順序有關(guān)，如在線 k均值算法 ?用爬山式技術(shù)（ hillclimbing）來尋找最優(yōu)解，容易陷入局部極小值 ? 基于距離的方法進(jìn)行聚類只能發(fā)現(xiàn)球狀類，當(dāng)類的形狀是任意的時候怎么識別？（黑板圖示） ? 下面介紹其中一種常用的算法： 基于密度的方法 （ densitybased method） ? 主要有 DBSCAN， OPTICS法 ? 思想： ?只要臨近區(qū)域的密度超過一定的閥值，就繼續(xù)聚類 ? 特點(diǎn)： ?可以過濾噪聲和孤立點(diǎn) outlier，發(fā)現(xiàn)任意形狀的類 基于網(wǎng)格的方法 （ gridbased method） ? 把樣本空間量化為有限數(shù)目的單元，形成一個網(wǎng)絡(luò)結(jié)構(gòu)，聚類操作都在這個網(wǎng)格結(jié)構(gòu)（即量化空間）上進(jìn)行 基于模型的方法 （ modelbased method） ? 為每個類假定一個模型，尋找數(shù)據(jù)對給定模型的最佳擬合。如需要知道白金持卡人和金卡持卡人的流動率，各自平均消費(fèi)水平有多少，等； ? 聚類分析可以輔助企業(yè)進(jìn)行客戶細(xì)分，但是 Data mining的客戶細(xì)分不等同于商業(yè)領(lǐng)域的細(xì)分，看不懂結(jié)果，也可能造成企業(yè)管理層無法對結(jié)果善加利用。在同一個類內(nèi)對象之間具有較高的相似度，不同類之間的對象差別較大。 ? 分裂的方法（ divisive）（自頂向下） 思想：一開始將所有的對象置于一類，在迭代的每一步中，一個類不斷地分為更小的類，直到每個對象在單獨(dú)的一個類中，或達(dá)到一個終止條件。 不穩(wěn)定的聚類方法 ? 輸入?yún)?shù)憑主觀導(dǎo)致難以控制聚類的質(zhì)量 ? 很多聚類算法要求輸入一定的參數(shù)，如希望產(chǎn)生的類的數(shù)目，使得聚類的質(zhì)量難以控制，尤其是對于高維的，沒有先驗信息的龐大數(shù)
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號-1