基于粗糙集和包含度的聚類分類算法研究.pdf

1、聚類分析是數(shù)據(jù)挖掘領(lǐng)域中的一種非常重要的數(shù)據(jù)信息挖掘方法，它是一個將由許多數(shù)據(jù)對象組成的數(shù)據(jù)集聚集成為不同的類的過程。經(jīng)過聚類處理后的數(shù)據(jù)對象集中，屬于同樣一個類的對象間具備較高的相似性，而不同類的對象之間具備較低的相似性?，F(xiàn)如今，在機器學(xué)習(xí)、文檔分類、圖像處理、模式識別、商業(yè)決策和數(shù)據(jù)壓縮等諸多領(lǐng)域中，聚類分析都擁有非常廣泛的使用價值。目前，聚類方法的主要類型有:以K-均值算法和粗糙K-均值算法為代表的劃分型聚類，以Cure，Agne

2、s，Dlana，Rock，Chanmelon，Birch等為代表的層次聚類、混合聚類和以Dbscan，Optics為代表的基于密度的聚類等。
　　其中K-均值聚類算法是典型的劃分型聚類算法，以簡單易理解、快速高效且適應(yīng)于大數(shù)據(jù)集的處理等優(yōu)點而得到廣泛的應(yīng)用，但與此同時它又存在聚類結(jié)果過于依賴中心值的初始選擇、結(jié)果不穩(wěn)定、容易陷入局部最優(yōu)解、只能挖掘到球狀簇等弊端，且并沒有充分考慮邊界不清的模糊類和數(shù)值屬性與分類屬性混合的數(shù)據(jù)集的聚

3、類問題，使其應(yīng)用價值受到了一定程度的限制。到目前為止，有大量的文獻提出了對K-均值聚類算法的具體改進措施，許多方法被證明是行之有效的，但同時都有一定的局限性。與此同時，對具有分類屬性的數(shù)據(jù)集來說，引入決策樹分類算法，如ID3算法，要比傳統(tǒng)的聚類算法效果好，但是使用傳統(tǒng)ID3算法也存在著比較明顯的缺陷:存在著對多值屬性偏向的問題，且構(gòu)建的決策樹比較復(fù)雜、效率較低等。因此，不斷地完善聚類分類算法是一項十分有意義的研究內(nèi)容。
　　本文的

4、主要研究點:一、改進現(xiàn)有劃分聚類算法只能對具有數(shù)值屬性的數(shù)據(jù)對象集聚類的不足，提出了針對混合屬性數(shù)據(jù)集的K-均值聚類算法，綜合考慮在聚類過程中數(shù)值和分類兩種屬性對聚類結(jié)果的影響，并提出了一種新的距離度量方法——面向維度的頻度距離度量。二、提出基于密度加權(quán)的粗糙K-均值聚類算法，以解決隨機選擇聚類中心的初始值而使聚類結(jié)果陷入局部最優(yōu)解的問題和離群點對均值計算的影響太大從而導(dǎo)致所得均值偏離數(shù)據(jù)對象實際分布的問題，從而使最終得到的聚類結(jié)果更符