码迷,mamicode.com
首页 > 其他好文 > 详细

数据挖掘--模型挖掘之聚类

时间:2019-12-03 14:17:41      阅读:133      评论:0      收藏:0      [点我收藏+]

标签:表示   code   science   blog   hup   需要   style   strong   src   

 

 

聚类(Cluster analysis )

定义:根据数据的特征找出数据间的相似性,将相似的数据分成一个类。

作用:作为一个独立的工具对数据分布进行分析

   可以作为其他算法(如分类等)的预处理步骤

   Pattern Recognition

   Spatial Data Analysis

   Image Processing

   Economic Science (especially market research)

对聚类模型的一些要求:

技术图片

 

 

技术图片

 

主要的聚类算法

1、基于划分的方法

给定一个n个对象或元组的数据库,划分方法构建数据的k个划分,每个划分表示一个聚类,并且k<=n。也就是说,它将数据划分为k个组,同时满足如下的要求:(1)每个组至少包含一个对象;(2)每个对象必须属于且只属于一个组。

典型算法:K-means

2、基于层次的聚类方法

主要思想是把数据对象排列成一个聚类树,在需要的层次上对其进行切 割,相关联的部分构成一个cluster。基于层次的聚类方法有两种类型: (1)聚合层次聚类。最初每个对象是一个cluster,然后根据它们之间的相似性,对这些原子的cluster进行合并。大多数层次方法属于这一类,它们的主要区别是cluster之间的相似性的定义不同。 (2)划分层次聚类,它与上面的过程正好相反。

典型算法:BIRCH

3、基于密度的方法

绝大多数划分方法基于对象之间的距离进行聚类。这样的方法只能发现凸状的簇,而在发现任意形状的簇上遇到了困难。 基于密度的聚类方法的主要思想是:只要临近区域的密度(对象或数据点的数目)超过某个阈值,就继续聚类。也就是说,对给定类中的每个数据点,在一个给定范围的区域中必须包含至少某个数目的点。这样的方法可以用来过滤“噪音”数据,发现任意形状的簇。

典型算法:DBSCAN    OPTICS

4、基于方格的方法

把多维数据空间划分成一定数目的单元,然后在这种数据结构上进行聚类操作。 该类方法的特点是它的处理速度,因为其速度与数据对象的个数无关,而只依赖于数据空间中每个维上单元的个数。

5、基于模型的方法

(1)神经网络方法 (2)统计的方法

 

 

数据挖掘--模型挖掘之聚类

标签:表示   code   science   blog   hup   需要   style   strong   src   

原文地址:https://www.cnblogs.com/hupc/p/11972104.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!