DBSCAN算法參數自適應研究及其在Spark平臺上的應用.pdf

1、近年來，云計算的興起推動了大數據集平臺的發(fā)展。數據處理的核心是數據挖掘與知識發(fā)現，Spark作為一個大數據處理平臺，通過引入RDD模型提高了數據處理速度，迎合了企業(yè)、學者數據處理的需求。聚類算法是數據挖掘一個重要組成部分，作為該類算法的典型代表，DBSCAN算法能夠從有噪聲的數據集中識別出任意形狀的簇，具有很好的聚類效果。但是該算法對輸入參數較為敏感，不能實現參數自適應，尤其對非均勻數據集聚類，全局參數嚴重影響聚類的效果，并且其計算復雜

2、度高，處理海量數據效率低下。本文針對這些問題提出了解決方法，主要工作有以下幾個方面：
　?。?）針對不能有效處理非均勻數據集和對參數敏感的問題，本文提出的一種基于劃分的DBSCAN改進算法，通過計算獲得數據集的KNN矩陣，根據KNN矩陣中的信息得到密度跳變閾值，并以此將數據集劃分為不同密度的數據集。根據聚類效果指數的值自動確定閾值MinPts，并估計每個數據集合的鄰域半徑，最后在劃分的每個數據集合上使用MinPts和相應的Eps進

3、行動態(tài)鄰域的局部聚類，并將得到的結果合并。實驗表明改進算法PDBSCAN對自適應和處理密度分布不均勻數據集的聚類效果優(yōu)于 DBSCAN算法、VDBSCAN算法和AGD-DBSCAN算法。
　?。?）為了降低算法的運行時間，減少I/O消耗,本文對改進算法實現了基于Spark的運行并行化。實驗表明，改進算法的并行化能夠有效的減少算法的運行時間，充分展示了Spark處理大數據的優(yōu)越性。最后對互聯網用戶行為數據在興趣愛好方面進行挖掘，為個