聚類方法組間連接和組內(nèi)連接（聚類方法）

關(guān)于聚類方法組間連接和組內(nèi)連接，聚類方法這個問題很多朋友還不知道，今天小六來為大家解答以上的問題，現(xiàn)在讓我們一起來看看吧！

1、3.1 K-pototypes算法 　　K-pototypes算法結(jié)合了K-means方法和根據(jù)K-means方法改進的能夠處理符號屬性的K-modes方法，同K-means方法相比，K-pototypes 算法能夠處理符號屬性。

2、 　　3.2 CLARANS算法（劃分方法） 　　CLARANS算法即隨機搜索聚類算法，是一種分割聚類方法。

3、它首先隨機選擇一個點作為當(dāng)前點，然后隨機檢查它周圍不超過參數(shù)Maxneighbor個的一些鄰接點，假如找到一個比它更好的鄰接點，則把它移人該鄰接點，否則把該點作為局部最小量。

4、然后再隨機選擇一個點來尋找另一個局部最小量，直至所找到的局部最小量數(shù)目達到用戶要求為止。

5、該算法要求聚類的對象必須都預(yù)先調(diào)人內(nèi)存，并且需多次掃描數(shù)據(jù)集，這對大數(shù)據(jù)量而言，無論時間復(fù)雜度還是空間復(fù)雜度都相當(dāng)大。

6、雖通過引人R-樹結(jié)構(gòu)對其性能進行改善，使之能夠處理基于磁盤的大型數(shù)據(jù)庫，但R*-樹的構(gòu)造和維護代價太大。

7、該算法對臟數(shù)據(jù)和異常數(shù)據(jù)不敏感，但對數(shù)據(jù)物人順序異常敏感，且只能處理凸形或球形邊界聚類。

8、 　　3.3 BIRCH算法（層次方法） 　　BIRCH算法即平衡迭代削減聚類法，其核心是用一個聚類特征3元組表示一個簇的有關(guān)信息，從而使一簇點的表示可用對應(yīng)的聚類特征，而不必用具體的一組點來表示。

9、它通過構(gòu)造滿足分支因子和簇直徑限制的聚類特征樹來求聚類。

10、BIRCH算法通過聚類特征可以方便地進行中心、半徑、直徑及類內(nèi)、類間距離的運算。

11、算法的聚類特征樹是一個具有兩個參數(shù)分枝因子B和類直徑T的高度平衡樹。

12、分枝因子規(guī)定了樹的每個節(jié)點子女的最多個數(shù)，而類直徑體現(xiàn)了對一類點的直徑大小的限制即這些點在多大范圍內(nèi)可以聚為一類，非葉子結(jié)點為它的子女的最大關(guān)鍵字，可以根據(jù)這些關(guān)鍵字進行插人索引，它總結(jié)了其子女的信息。

13、 　　聚類特征樹可以動態(tài)構(gòu)造，因此不要求所有數(shù)據(jù)讀人內(nèi)存，而可以在外存上逐個讀人。

14、新的數(shù)據(jù)項總是插人到樹中與該數(shù)據(jù)距離最近的葉子中。

15、如果插人后使得該葉子的直徑大于類直徑T，則把該葉子節(jié)點分裂。

16、其它葉子結(jié)點也需要檢查是否超過分枝因子來判斷其分裂與否，直至該數(shù)據(jù)插入到葉子中，并且滿足不超過類直徑，而每個非葉子節(jié)點的子女個數(shù)不大于分枝因子。

17、算法還可以通過改變類直徑修改特征樹大小，控制其占內(nèi)存容量。

18、 　　BIRCH算法通過一次掃描就可以進行較好的聚類，由此可見，該算法適合于大數(shù)據(jù)量。

19、對于給定的M兆內(nèi)存空間，其空間復(fù)雜度為O(M)，時間間復(fù)雜度為O(dNBlnB(M/P)).其中d為維數(shù),N為節(jié)點數(shù),P為內(nèi)存頁的大小，B為由P決定的分枝因子。

20、I/O花費與數(shù)據(jù)量成線性關(guān)系。

21、BIRCH算法只適用于類的分布呈凸形及球形的情況，并且由于BIRCH算法需提供正確的聚類個數(shù)和簇直徑限制，對不可視的高維數(shù)據(jù)不可行。

22、 　　3.4 CURE算法（層次方法） 　　CURE算法即使用代表點的聚類方法。

23、該算法先把每個數(shù)據(jù)點看成一類，然后合并距離最近的類直至類個數(shù)為所要求的個數(shù)為止。

24、CURE算法將傳統(tǒng)對類的表示方法進行了改進，回避了用所有點或用中心和半徑來表示一個類，而是從每一個類中抽取固定數(shù)量、分布較好的點作為描述此類的代表點，并將這些點乘以一個適當(dāng)?shù)氖湛s因子，使它們更靠近類的中心點。

25、將一個類用代表點表示，使得類的外延可以向非球形的形狀擴展，從而可調(diào)整類的形狀以表達那些非球形的類。

26、另外，收縮因子的使用減小了嗓音對聚類的影響。

27、CURE算法采用隨機抽樣與分割相結(jié)合的辦法來提高算法的空間和時間效率，并且在算法中用了堆和K-d樹結(jié)構(gòu)來提高算法效率。

28、 　　3.5 DBSCAN算法（基于密度的方法） 　　DBSCAN算法即基于密度的聚類算法。

29、該算法利用類的密度連通性可以快速發(fā)現(xiàn)任意形狀的類。

30、其基本思想是：對于一個類中的每個對象，在其給定半徑的領(lǐng)域中包含的對象不能少于某一給定的最小數(shù)目。

31、在DBSCAN算法中，發(fā)現(xiàn)一個類的過程是基于這樣的事實：一個類能夠被其中的任意一個核心對象所確定。

32、為了發(fā)現(xiàn)一個類，DBSCAN先從對象集D中找到任意一對象P，并查找D中關(guān)于關(guān)徑Eps和最小對象數(shù)Minpts的從P密度可達的所有對象。

33、如果P是核心對象，即半徑為Eps的P的鄰域中包含的對象不少于Minpts,則根據(jù)算法，可以找到一個關(guān)于參數(shù)Eps和Minpts的類。

34、如果P是一個邊界點，則半徑為Eps的P鄰域包含的對象少于Minpts，P被暫時標注為噪聲點。

35、然后，DBSCAN處理D中的下一個對象。

36、 　　密度可達對象的獲取是通過不斷執(zhí)行區(qū)域查詢來實現(xiàn)的。

37、一個區(qū)域查詢返回指定區(qū)域中的所有對象。

38、為了有效地執(zhí)行區(qū)域查詢，DBSCAN算法使用了空間查詢R-樹結(jié)構(gòu)。

39、在進行聚類前，必須建立針對所有數(shù)據(jù)的R*-樹。

40、另外，DBSCAN要求用戶指定一個全局參數(shù)Eps(為了減少計算量，預(yù)先確定參數(shù)Minpts)。

41、為了確定取值，DBSCAN計算任意對象與它的第k個最臨近的對象之間的距離。

42、然后，根據(jù)求得的距離由小到大排序，并繪出排序后的圖，稱做k-dist圖。

43、k-dist圖中的橫坐標表示數(shù)據(jù)對象與它的第k個最近的對象間的距離；縱坐標為對應(yīng)于某一k-dist距離值的數(shù)據(jù)對象的個數(shù)。

44、R*-樹的建立和k-dist圖的繪制非常消耗時間。

45、此外，為了得到較好的聚類結(jié)果，用戶必須根據(jù)k-dist圖，通過試探選定一個比較合適的Eps值。

46、DBSCAN算法不進行任何的預(yù)處理而直接對整個數(shù)據(jù)集進行聚類操作。

47、當(dāng)數(shù)據(jù)量非常大時，就必須有大內(nèi)存量支持，I/O消耗也非常大。

48、其時間復(fù)雜度為O(nlogn)(n為數(shù)據(jù)量)，聚類過程的大部分時間用在區(qū)域查詢操作上。

49、DBSCAN算法對參數(shù)Eps及Minpts非常敏感，且這兩個參數(shù)很難確定。

50、 　　 　　3.6 CLIQUE算法（綜合了基于密度和基于網(wǎng)格的算法） 　　CLIQUE算法即自動子空間聚類算法。

51、該算法利用自頂向上方法求出各個子空間的聚類單元。

52、CLUQUE算法主要用于找出在高維數(shù)據(jù)空間中存在的低維聚類。

53、為了求出d維空間聚類，必須組合給出所有d-1維子空間的聚類，導(dǎo)致其算法的空間和時間效率都較低，而且要求用戶輸入兩個參數(shù)：數(shù)據(jù)取值空間等間隔距離和密度闊值。

54、這2個參數(shù)與樣木數(shù)據(jù)緊密相關(guān)，用戶一般難以確定。

55、CLIQUE算法對數(shù)據(jù)輸人順序不敏感。

本文分享完畢，希望對大家有所幫助。

標簽：