【正文】 30 參考文獻(xiàn)[1]T Zhang．R．Ramakrishnan and M．ogihara．An efficient data clustering method for very largedatabases．In Pror．1996 ACMSlGMOD hat．Conf．Management of Data，June 1996：103．114.[2]邵峰晶，于忠清，王金龍，孫仁城 數(shù)據(jù)挖掘原理與算法（第二版） 北京：科學(xué)出版社 ,2009, ISBN 9787030254405.[3]張建輝．KmeaIlS聚類算法研究及應(yīng)用：[武漢理工大學(xué)碩士學(xué)位論文]．武漢：武漢理工大學(xué)，2007.[4]馮超．Kmeans 類算法的研究：[大連理工大學(xué)碩士學(xué)位論文]．大連：大連理工大學(xué)，2007.[5]曾志雄．一種有效的基于劃分和層次的混合聚類算法．計(jì)算機(jī)應(yīng)用，2007，27(7)：1692．1695.[6]范光平．一種基于變長編碼的遺傳K均值算法研究：[浙江大學(xué)碩士學(xué)位論文]．杭州：浙江大學(xué)，2007.[7]孫士保，秦克云．改進(jìn)的K平均聚類算法研究．計(jì)算機(jī)工程，2007，33(13)：200．202.[8]孫可，劉杰，王學(xué)穎．K均值聚類算法初始質(zhì)心選擇的改進(jìn)．沈陽師范大學(xué)學(xué)報(bào)，2009，27(4)：448450.[9]Jain AK，Duin Robert PW，Mao JC．Statistical paaern recognition：A review．IEEE Trans．Actions on Paaem Analysis and Machine Intelligence，2000，22(1)：437.[10]Sambasivam S，Theodosopoulos N．Advanced data clustering methods ofmining web documents．Issues in Informing Science and Information Technology，2006，8(3)：563．579.[11]Z．Huang．Extensions to the Kmeans algorithm for clustering large data sets with categorical values．Data Mining and Knowledge discovery,1998，(2)：283304.[12]M．Ester,H，P．Kriege．A densitybased algorithm for discovery clusters in large spatial databases．In Proc．1996 Int．03n￡Knowledge Discovery and Data Mining Portland．Aug 1996：2262311[13]毛國君，段麗娟，王實(shí)，等．?dāng)?shù)據(jù)挖掘原理與算法(第二版)．北京：清華大學(xué)出版社，2007.[14] Wang,J．fang and R．Muntz．A statistical information grid approach to spatial data mining．In Proc．1997 Int．Conf．Very Large Databases，Athens，Greece，Aug．1997：186195.[15]Wu K L，Yang M S．Alternative fuzzy cmeans clustering algorithaL Pattern ，35：2267—2278．[16]Hammerly C．Alternatives to the kmeans algorithm that find better clusterings，in：Proc．of the 1 lth Int．Conf．on Information and Knowledge Management，2002：600—607．[17]Alsabti K，Ranka S，Singh K．An Efficient KMeans Clustering AlgorithnL In：Proceedings of PPS／SPDP Workshop on High performance Data ：34—39．[18]Lozano J A，Pena J M，Larranaga P．An empirical parison of four initialization methods for the kmeans Recognition，1999，20：1027—1040．[19]Likas A，Vlassis N，Verbeek J J．The global kmeans clustering algoritl衛(wèi)L Pattern Recognition，2003，36：451—461．[20]Kiri W，Claire C，Stefan S．Constrained Kmeans Clustering with Background Knowledge．Proceeding of the Eighteenth Internat ional Conference on Machine ：5775841．[21]Ng A Y，Jordan M I，Weiss Y．On spectral clustering：Analysis and an algorittms InAdvances in Neural Information Processing Systems，2001，14：849—856．[22]Higham D，Kibble K．A Unified view of spectral clustering．Technical Report 02。因此我們在實(shí)際應(yīng)用中應(yīng)該注意這方面的不同因素，會(huì)對聚類結(jié)果造成哪些影響，通過本次試驗(yàn)，也可以為希望出現(xiàn)的聚類結(jié)果提供改進(jìn)算法的思考方向，使該算法能夠更好的為我們服務(wù)。5 總結(jié)與展望 總結(jié)本文主要介紹了數(shù)據(jù)挖掘中的聚類分析，對聚類分析中的K均值算法進(jìn)行了探索研究，主要是對影響K均值算法的聚類效率因素的探究。另外，雖然兩次的聚類結(jié)果是一樣的，但是迭代的次數(shù)當(dāng)選取第6個(gè)數(shù)據(jù)為初始點(diǎn)比選取第3個(gè)數(shù)據(jù)為初始點(diǎn)迭代次數(shù)有所增加，聚類結(jié)果的輸出順序也有所改變，同時(shí)也驗(yàn)證了實(shí)驗(yàn)一的結(jié)論。結(jié)論：首先對比四個(gè)圖的聚類結(jié)果，并沒有因?yàn)槌跏键c(diǎn)選取的不同而發(fā)生大的改變，只是改變了迭代次數(shù)，其中選取最前面的三個(gè)數(shù)據(jù)和后面某一不連續(xù)的數(shù)據(jù)為初始點(diǎn)時(shí)迭代次數(shù)最少。例如可以利用一定的相似性準(zhǔn)則來排除一些近似的聚類中心的侯選集。（3）該算法對“噪聲數(shù)據(jù)”以及孤立的點(diǎn)數(shù)據(jù)是相當(dāng)敏感的，即使少量的該類數(shù)據(jù)也可以對平均值產(chǎn)生相當(dāng)大的影響。有的使用一種結(jié)合了全協(xié)方差矩陣的RPCL算法，而且逐步刪去那些僅僅包含很少數(shù)據(jù)量的訓(xùn)練數(shù)據(jù)的類。這也是該算法的一個(gè)缺點(diǎn)。（2）必須事先給出k值（想要生成的簇的個(gè)數(shù)）。聚類結(jié)果對這個(gè)初始點(diǎn)的選擇是相當(dāng)敏感的。通常情況下有k n 且x n 。 K均值聚類算法的主要缺陷及分析主要優(yōu)點(diǎn)：（1）作為解決聚類問題而出現(xiàn)的一種傳統(tǒng)經(jīng)典算法，具有簡單、快速的特點(diǎn)。 。平方誤差準(zhǔn)則達(dá)到最小。等所有的樣本調(diào)整完成以后，然后下一步就是對聚類中心的修改，從而開始進(jìn)入下一次迭代過程中去。 K一均值聚類算法基本思想Kmeans算法的工作原理可以總結(jié)為：首先，要從數(shù)據(jù)集中自動(dòng)隨機(jī)選擇K個(gè)點(diǎn)作為初始聚類中心，然后分別將每種樣品計(jì)算其與集群的距離，樣品分類的標(biāo)準(zhǔn)為其與聚類中心的距離。為應(yīng)用最廣泛的一種聚類方法。為了保證最終結(jié)果的可靠，抽樣過程中必須遵循隨機(jī)性，除此之外還要掌握好抽樣的規(guī)模大小，要適度，不能盲目抽取浪費(fèi)時(shí)間，把握效率和效果的充分平衡。但是數(shù)據(jù)集中這種孤立點(diǎn)難免會(huì)出現(xiàn)，所以為了減少這種噪音數(shù)據(jù)對聚類結(jié)果的影響，K中心聚類算法[1720]出現(xiàn)，它與KM算法最大的區(qū)別是它是用最接近中心的那個(gè)數(shù)據(jù)對象來代表這個(gè)簇，而不是用所有數(shù)據(jù)對象的均值來代表該簇，這樣有效的避免了噪音數(shù)據(jù)的干擾，這也是K中心聚類算法與KM算法唯一的區(qū)別，其他的步驟大相徑庭，沒有太大的區(qū)別。K均值算法多次迭代的最終結(jié)果就是使目標(biāo)函數(shù)KM（）最小值，通過該公式我們發(fā)現(xiàn)該算法必須預(yù)先選好初始點(diǎn)，對初始點(diǎn)有很強(qiáng)烈的依賴性，如果該初始點(diǎn)選取不合適會(huì)影響整個(gè)結(jié)果，這是該算法的一個(gè)缺點(diǎn)，可以改進(jìn)的地方是用層次聚類等方法能夠提前計(jì)算出比較合適的初始點(diǎn)，再開始聚類。本算法的計(jì)算公式表示為：KM(X,C)=∑j=1∑xjcj||XiWj||2(j=k) ；……………………………………… ()Wj=∑xj∈cj(xi/|cj|),j=1,2,…..,K；………………………………………………. ()這個(gè)定義的公式是假設(shè)每個(gè)數(shù)組只有唯一的數(shù)據(jù)型的屬性值。CLIQUE算法是網(wǎng)格與密度結(jié)合的算法，它的工作過程是將數(shù)據(jù)空間劃分成不相關(guān)的網(wǎng)格，然后判斷網(wǎng)格是否是密集的，判斷標(biāo)準(zhǔn)是空間中的每一個(gè)維度，再將判斷出來的屬于密集的網(wǎng)格進(jìn)行求交的操作，并檢查這些交集是否連通良好，然后生成最小覆蓋的簇?；谀Ｐ退惴òㄉ窠?jīng)網(wǎng)絡(luò)方法[13]和統(tǒng)計(jì)方法，神經(jīng)網(wǎng)絡(luò)方法的思想是將每一個(gè)聚類描述為某個(gè)標(biāo)本，通過度量函數(shù)的計(jì)算，將新的數(shù)據(jù)對象分到相對應(yīng)的標(biāo)本中，最終完成聚類。其中分裂的層次算法也是一種自頂向下的聚類方法，顧名思義分裂的過程就是將一個(gè)分裂為多個(gè)，一開始是將所有的數(shù)據(jù)放進(jìn)一個(gè)初始的簇中，對這個(gè)簇進(jìn)行分裂，每次迭代都會(huì)有一個(gè)更小的簇被分裂出來，最終結(jié)果是每個(gè)數(shù)據(jù)只單一的對應(yīng)唯一的一個(gè)簇結(jié)束。其中OPTICS算法不是直接進(jìn)行聚類，而是計(jì)算出一個(gè)簇的次序，以方便自動(dòng)聚類和交互聚類分析。具體步驟是，用戶首先給定所要?jiǎng)澐值拇氐膫€(gè)數(shù)K，算法先進(jìn)行初步劃分為K組，然后用迭代的方法反復(fù)再進(jìn)行分組，每次新得到的分組比前一次要優(yōu)化，是否優(yōu)化的判定標(biāo)準(zhǔn)是同組數(shù)據(jù)之間以及不同組數(shù)據(jù)之間的相似程度，同組相似程度越大組間相似程度越小分組越優(yōu)化，目前常用的算法有Kmeans算法、Kmedoid算法以及以它們?yōu)榛A(chǔ)的算法的各種改進(jìn)。（3）聚類：這就要用到前面的相似性度量函數(shù)，選擇距離函數(shù)還是選擇相似系數(shù)等方法來度量選出來的有效特征值的相似度，進(jìn)而完成對該數(shù)據(jù)集的聚類分析。（2）夾角余弦變量的觀測值 ，其夾角余弦我們可以這樣定義為：……………………………………… ()變量聚類一般情況下被叫作為 R 型聚類。一般地，若表示Cab變量Xa,Xb之間的相似系數(shù)，應(yīng)滿足：1）| Cab|≤1且Cab=1；2）Cab=1或Cab=—1→Xa=CXb；3）Cab=Cba；Cab的絕對值越與1接近，越說明變量Xa,Xb之間的關(guān)聯(lián)性越大。 如：歐氏距離………………………………… ()② 馬氏(Mahalanois)距離 ……………………………… () 其中 S 是由樣品集N（）算得的協(xié)方差矩陣：………………………………… ()樣品聚類一般情況下被叫做Q型聚類，是以距離矩陣為出發(fā)點(diǎn)的。 聚類的相似度量方法聚類分析按照數(shù)據(jù)樣本性質(zhì)的相似程度的大小進(jìn)行劃分，確定這些相似程度的大小必須有一個(gè)準(zhǔn)則來判斷它們的程度大小，這個(gè)判斷準(zhǔn)則叫做相似度方法，主要是在距離和相似系數(shù)的不同。 聚類的基本知識(shí) 類的定義及表示（1）類的