數(shù)據(jù)挖掘聚類算法的分析和應(yīng)用研究.pdf

1、聚類分析是數(shù)據(jù)挖掘中的一個重要研究領(lǐng)域，是一種數(shù)據(jù)劃分或分組處理的重要手段和方法。聚類的應(yīng)用是非常廣泛的，無論是在商務(wù)上，還是在市場分析、生物學(xué)、Web文檔分類等領(lǐng)域中都得到了充分的應(yīng)用。目前，聚類算法大體上分為劃分的方法、層次的方法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法。這些算法存在如下的問題：符號屬性問題、算法的效率問題、初值的選擇問題、對輸入順序的敏感性問題、最優(yōu)解問題、算法對輸入?yún)?shù)的依賴性問題。 DBSCAN

2、就是一種基于密度的方法，該算法的顯著優(yōu)點(diǎn)是速度快，可以發(fā)現(xiàn)任意形狀的聚類和噪聲點(diǎn)。但是當(dāng)數(shù)據(jù)量非常龐大時，該算法對主存要求較高；而且需要定義一個全局變量Eps，如果這個全局變量Eps定義的不好，將會影響聚類質(zhì)量，尤其是數(shù)據(jù)分布不均勻時，因此DBSCAN對輸入?yún)?shù)Eps是十分依賴的。論文在分析這些不足的基礎(chǔ)上，對DBSCAN算法進(jìn)行了改進(jìn)，把“分而治之”的思想應(yīng)用到該算法中。聚類前，先把數(shù)據(jù)劃分成一個個網(wǎng)格，然后把網(wǎng)格分配給多個處理機(jī)進(jìn)行

3、并行聚類，最后再對各個處理機(jī)的局部聚類結(jié)果進(jìn)行合并。這樣，一方面降低了對主存的要求；另一方面，當(dāng)數(shù)據(jù)分布不均勻時，全局變量Eps也不會影響聚類質(zhì)量，因為每個網(wǎng)格采用單獨(dú)的Eps值；并且把每個網(wǎng)格分到單獨(dú)的處理機(jī)上進(jìn)行并行聚類提高了聚類效率。試驗表明，改進(jìn)后的DBSCAN算法降低了對主存的要求和對輸入?yún)?shù)Eps的依賴。 K-means算法是一種基于劃分的聚類算法，它把n個對象劃分成K個類，其中的聚類數(shù)目K是輸入?yún)?shù)。該算法是通過不

4、斷地迭代來進(jìn)行聚類，當(dāng)算法收斂到一個結(jié)束條件時，就終止迭代過程，輸出一個聚類結(jié)果。但是由于K-means算法在選擇初始聚類中心時是隨機(jī)選取K個點(diǎn)，因此一旦這K個點(diǎn)選取不合理，將會誤導(dǎo)聚類過程，得到一個不合理的聚類結(jié)果。論文在分析聚類結(jié)果對初值依賴性的基礎(chǔ)上，對初值選取方法進(jìn)行了分析和研究，采取“射靶”的原理進(jìn)行類中心的搜索。從實際應(yīng)用中可以發(fā)現(xiàn)，改進(jìn)后K-means得到的聚類結(jié)果更加穩(wěn)定，對初始聚類中心的依賴性減弱了。 最后，在