聚类分析原理及步骤

1、聚类分析原理及步骤i传统的统计聚类分析方法包括系动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用UH聚类分析工具已被加入到许多著名 的统计分析软件包中，如 SPSS SAS等。典型应用1动植物分类和对基因进行分类2 在网上进行文档归类来修复信息3 帮助电子商务的用户了解白己的客户，向客户提供更合适的服务主要步骤1 数据预处理一一选择数量，类型和特征的标度（依据特征选择和抽取）特征选择选择重要的特征，特征抽取把输入的特征转化 为一个新的显著特征，它们经常被用来获取一个合适的特征集来为避免维数灾”进行聚类 ）和将孤立点移出数据（ 孤立点是不依附于一般数 据行为或模型的数据）2为衡虽数据点间的

2、相似度定义一个距离函数既然相类似性是定义一个类的基础，那么不同数据之间在同一个特 征空间相似度的衡量对丁聚类步骤是很重要的，由丁特征类型和特 征标度的多样性，距离度量必须谨慎，它经常依赖丁应用，例如， 通常通过定义在特征空间的距离度量来评估不同对象的相异性，很 多距离度都应用在一些不同的领域一个简单的距离度量,如Euclidean距离，经常被用作反映不同数据问的相异性，一些有关相 似性的度量，例如PMC和SMC,能够被用来特征化不同数据的概 念相似性，在图像聚类上，子图图像的误差更正能够被用来衡量两 个图形的相似性3聚类或分组一一将数据对象分到不同的类中【划分方法（划分方法一般从初始划分和最优

3、化一个聚类标准开始，CrispClustering和 Fuzzy Clusterin是划分方法的两个主要技术，CrispClustering,它的每一个数据都属于单独的类； Fuzzy Clustering,它的 每个数据可能在任何一个类中）和 层次方法（基于某个标准产生一个嵌套的划分系列，它可以度量不同类之间的相似性或一个类的可分 离性用来合并和分裂类）是聚类分析的两个主要方法，另外还有基于密度的聚类，基于模型的聚类，基于网格的聚类】4 评估输出 评估聚类结果的质量（它是通过一个类有效索引来评价，一般来说，几何性质，包括类间的分离和类内部的耦合，一般 都用来评价聚类结果的质量，类有效索引在决

4、定类的数目时经常扮演 了一个重要角色，类有效索引的最佳值被期望从真实的类数目中获取， 一个通常的决定类数目的方法是选择一个特定的类有效索引的最佳 值，这个索引能否真实的得出类的数目是判断该索引是否有效的标准， 很多已经存在的标准对于相互分离的类数据集合都能得出很好的结 果，但是对于复杂的数据集，却通常行不通，例如，对于交叠类的集 合。）聚类分析的主要计算方法原理及步骤划分法1将数据集分割成K个组（每个组至少包含一个数据且每一个数据纪录属于且仅属于一个分组），每个组成为一类2通过反复迭代的方法改变分组，使得每一次改进之后的分组方案都较前一次好（标准就是：同一分组中的记录越近越好，而不同分组中的纪

5、录越远越好，使用这个基本思想的算法有：K-MEANS 算法、K-MEDOIDS 算法、 CLARANS 算法）层次法1自底向上”方案一一将每个数据单独作为一 组，通过反复迭代的方法，把那些相互邻近的 组合并成一个组，直到所有的记录组成一个分 组或者某个条件满足为止，代表算法有：BIRCH 算法、CURE算法、CHAMELEON算法等2自顶向下”方案主要算法原理及步骤K-MEANS 算法k-means算法接受输入H k ；然后将n个数据对象划 分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似 度是利用各聚类中对象的均值所获得一个中心对象”（

6、引力中心）来进行计算的。k-means算法的工作过程说明如下：1从n个数据对象任意选择 k个对象作为初始聚 类中心；而对于所剩下其它对象，则根据它们与这些聚类中 心的相似度（距离），分别将它们分配给与其最相似的（聚 类中心所代表的）聚类；2»计算每个所获新聚类的聚类中心（该聚类中所 有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数k个聚类具有以下特点：各聚类本身尽可能的紧 凑，而各聚类之间尽可能的分开。K-MEDOIDS 算法K-MEANS有其缺点：产生类的大小相差不会很大， 对于脏数据很敏感。改进的算法：kmedoids 方法：选取一个

7、对象叫做 mediod来代替上面的中心的作用，这样的一个 medoid就标识了这个类。步骤：(1)、任意选取 K个对象作为 medoids (O1,O2,OiOk)。以下是循环的：(2)、将余下的对象分到各个类中去(根据与medoid最相近的原则)；(3)、对于每个类(Oi) 中，顺序选取一个 Or,计算用Or代替Oi后的消 耗一E (Or)。选择E最小的那个 Or来代替Oi。这 样K个medoids就改变了，下面就再转到2。(4)、这样循环直到 K个medoids固定下来。种算法对于脏数据和异常数据不敏感，但计算虽显然要比K均值要大，一般只适合小数据虽Clara算法K-medoids算法不适合于大数据H的计算，Clara算法的思想就是用实际数据的抽样来代替整个数据，然后再在这些 抽样的数据上利用 K-medoids算法得到最佳的 medoids。Clara 算法从实际数据中抽取多个采样，在每个采样上都用 K-medoids算法得到相应的(O1,O2OiOk),然后在这当 中选取E最小的一个作为最终的结果。Clarans 算法Clara算法的效率取决于采样的大小，一般不太可能得 到最佳的结果在Clara算法的基础上，乂提出了 Clarans的算法，