基于自然最近鄰的無參聚類算法研究.pdf

1、基于自然最近鄰的無參聚類算法研究重慶大學(xué)碩士學(xué)位論文（學(xué)術(shù)學(xué)位）學(xué)生姓名：黃金龍指導(dǎo)教師：朱慶生教授專業(yè)：計算機軟件與理論學(xué)科門類：工學(xué)重慶大學(xué)計算機學(xué)院二O一四年四月重慶大學(xué)碩士學(xué)位論文中文摘要I摘要數(shù)據(jù)挖掘就是在大量的數(shù)據(jù)中探索出有價值的模式、規(guī)則和規(guī)律的過程，即從海量無規(guī)律的數(shù)據(jù)集中提取出可理解的、之前人們并不清楚的且存在潛在價值的知識的過程。數(shù)據(jù)挖掘的主要任務(wù)包括回歸分析(Regression)、關(guān)聯(lián)分析(Association

2、rulelearning)、分類分析(Classification)、聚類分析(Clustering)以及異常分析(Outlierdetection)等。其中數(shù)據(jù)聚類則是數(shù)據(jù)挖掘中一項非常重要的技術(shù)，是人們在認識和挖掘研究對象之間內(nèi)在聯(lián)系的一種非常常用的方法，它不但可以作為獨立的數(shù)據(jù)挖掘工具，從知識庫中獲取到數(shù)據(jù)結(jié)構(gòu)的分布信息，還可以對數(shù)據(jù)集進行預(yù)處理以方便其它一些數(shù)據(jù)挖掘算法對數(shù)據(jù)集進行數(shù)據(jù)挖掘。聚類分析是一種無監(jiān)督的數(shù)據(jù)挖掘分析算法

3、，無監(jiān)督的聚類分析算法能夠挖掘出輸入數(shù)據(jù)集的內(nèi)部分布結(jié)構(gòu)以及類簇信息。目前包括計算機模式識別中的視覺分析、圖像識別和分割等領(lǐng)域都在廣泛地應(yīng)用聚類分析技術(shù)。同時聚類分析也被應(yīng)用于統(tǒng)計分析，醫(yī)療信息處理，生物工程，社會科學(xué)和心理研究等各個數(shù)據(jù)分析場合。在商務(wù)管理、市場分析、工程設(shè)計等商業(yè)領(lǐng)域中也應(yīng)用到了數(shù)據(jù)挖掘的聚類分析技術(shù)。所謂聚類就是將需要處理的整個數(shù)據(jù)集劃分成多個不同的類簇，類簇與類簇之間距離或者相異性盡量的大，而使得類簇內(nèi)部盡量的緊

4、湊。最近鄰居概念早在1951年就已經(jīng)被提出，一經(jīng)提出就廣泛的受到關(guān)注和研究，且被廣泛應(yīng)用于模式識別、機器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域。最著名同時也是最基礎(chǔ)的兩個最近鄰居概念就是Stevens所提出的K最近鄰居和ε最近鄰居概念。現(xiàn)如今數(shù)據(jù)挖掘中的很多聚類算法、離群檢測算法等都應(yīng)用到了K最近鄰和ε最近鄰的概念，并提出了許多著名的數(shù)據(jù)挖掘算法，比如KNN分類算法、LOF和INFLO離群檢測算法等。但是隨著K最近鄰和ε最近鄰這兩個概念的應(yīng)用越來越深入，

5、K最近鄰和ε最近鄰的不足和缺點也顯露在我們面前。那就是對于一個未知的數(shù)據(jù)集，在K最近鄰的概念下每個數(shù)據(jù)對象應(yīng)該有多少鄰居才算合適，K值設(shè)為多少才能夠正確地反映出這個未知數(shù)據(jù)集的結(jié)構(gòu)特性。特別是在如今數(shù)據(jù)以爆炸式增長的大數(shù)據(jù)時代，數(shù)據(jù)集的復(fù)雜度變得越來越高，未知性也越來越強，在利用基于K最近鄰的數(shù)據(jù)挖掘算法對數(shù)據(jù)進行挖掘時，K值也越來越難設(shè)置。ε最近鄰在各個鄰域中的應(yīng)用也同樣遇到這一問題，ε值大小的設(shè)置往往會對數(shù)據(jù)的最后挖掘效果產(chǎn)生很大的