下载文档原格式
数据挖掘中的聚类分析方法随着计算机应用的普及，信息系统产生的数据量日益增大，如何有效地利用巨量的原始数据分析现状和预测未来，己经成为人类面临的一大挑战。
由此数据挖掘技术应运而生并得以迅猛发展，这是快速增长的数据量和日益贫乏的信息量之间矛盾运动的必然结果。
数据挖掘(DataMining),又称为数据库中的知识发现(简称KDD),是从大量数据中提取可信的、新颖的、有效的并能被人们理解的模式的处理过程。
数据挖掘是一门新兴的技术，它以数据库技术作为基础，把逻辑学、统计学、机器学习、模糊学、可视化计算等多门学科的成果综合在一起，进行如何从数据库中得到有用信息的研究。
数据挖掘技术得到了人们的普遍关注，广泛应用于银行金融、保险、公共设施、政府、教育、远程通讯、软件开发、运输等各个企事业单位及国防科研上。
聚类分析是数据挖掘中的一个重要研究领域。
所谓聚类，就是把没有类别标记的样本集按某种准则划分成若干类，使类内样本的相似性尽可能大，而类间样本的相似性尽量小，是一种无监督的学习方法。
聚类分析通常是在没有先验知识支持的前提下进行的，它所要解决的就是在这种前提下，实现满足要求的类的聚合。
聚类分析的研究主要集中在聚类算法上，产生性能好而且实用的聚类算法是其终极目的。
聚类是一个富有挑战性的研究领域，采用基于聚类分析方法的数据挖掘在实践中己取得了较好的效果，在实际操作中往往不是采用单一的手段，而是采用多种手段和方法相结合根据潜在的各项应用，数据挖掘对聚类的典型要求有以下9个方面：⑴可伸缩性可伸缩性是指算法不论对于小数据集还是对于大数据集，都应是有效的在很多聚类算法当中，对于数据对象小于200个的小数据集合性很好，而对于包含成千上万个数据对象的大规模数据库进行聚类时，将会导致有不同的偏差结果。
此外，可伸缩性算法应该随着数据库大小的变化，其运行时间应该线性变化。
(2)处理不同字段类型的能力算法不仅要能处理数值型数据，还要有处理其它类型字段的能力，包括分类标称类型(catalog流Viminal),序数型(ordinal),二元类型(binary),或者这些数据类型的混合。
数据分析知识：数据挖掘中的谱聚类算法数据挖掘是从海量数据中提取有用的信息的一种技术，谱聚类算法是其中的一种经典算法。
本文将从以下几个方面介绍谱聚类算法：算法原理、流程步骤、应用场景、优缺点以及发展趋势。
一、算法原理谱聚类算法是一种基于图论的无监督聚类算法，其基本思想是将数据集看成是图的节点集合，通过图上的边连接不同的节点，将节点划分成不同的子集，从而实现聚类。
谱聚类算法的核心在于矩阵的特征值和特征向量。
假设有N个数据点集成一个矩阵X，每个数据点有m个特征，组成了一个m*N的矩阵。
首先，定义相似度矩阵W，其元素W(i,j)表示第i个数据点和第j个数据点的相似度。
W的计算可以采取欧式距离、余弦相似度、高斯核等方式。
其次，通过对相似度矩阵进行正则化处理，可以得到一个拉普拉斯矩阵L。
拉普拉斯矩阵L是一个对称半正定的矩阵，其用途是度量每个数据点与其他数据点之间的关联度。
接下来，求解拉普拉斯矩阵L的m个最小的非零特征值及其对应的特征向量u1,u2,...,um，并将其组成一个m*N的矩阵U。
特征向量的个数m是谱聚类算法的超参数，通常根据具体情况进行调整。
最后，对特征向量矩阵U进行聚类，将其划分为k个子集，即可完成谱聚类算法。
二、流程步骤谱聚类算法的流程可以归纳为以下几个步骤：1.构建相似度矩阵W2.对相似度矩阵进行正则化处理，得到拉普拉斯矩阵L3.求解拉普拉斯矩阵L的特征值和特征向量4.将特征向量矩阵U进行聚类5.输出聚类结果三、应用场景谱聚类算法广泛应用于社交网络分析、图像分割、文本聚类、机器学习等多个领域。
例如，在社交网络分析中，谱聚类可以将社交网络中的用户划分成不同的群体，从而便于研究用户间的关系；在图像分割中，谱聚类可以将图像像素点划分成不同的区域，从而得到清晰的图像轮廓。
四、优缺点优点：1.对数据分布没有先验要求2.可以有效地解决高维数据聚类问题3.对噪声数据有一定的容忍度4.支持并行化计算，适合于大规模数据集的处理缺点：1.超参数的选取比较困难2.对于纹理复杂、噪声较大、数据量较小的数据集，聚类效果可能不佳3.对于非凸形状的数据集，聚类效果可能不佳五、发展趋势随着数据量的不断增大和数据种类的不断增多，聚类算法的应用也越来越广泛。
数据挖掘聚类算法一览聚类分析是数据挖掘中的一个很活跃的研究领域，并提出了许多聚类算法。
这些算法可以被分为划分方法、层次方法、基于密度方法、基于网格方法和基于模型方法。
1 划分方法(PAM:PArtitioning method) 首先创建k个划分，k为要创建的划分个数；然后利用一个循环定位技术通过将对象从一个划分移到另一个划分来帮助改善划分质量。
典型的划分方法包括：k-means,k-medoids,CLARA(Clustering LARge Application),CLARANS(Clustering Large Application based upon RANdomized Search).FCM,EM(Expectation Maximization):不将对象明显地分到么个簇,而是根据表示隶书可能性的权来分配对象.2 层次方法(hierarchical method) 创建一个层次以分解给定的数据集。
该方法可以分为自上而下（分解）和自下而上（合并）两种操作方式。
为弥补分解与合并的不足，层次合并经常要与其它聚类方法相结合，如循环定位。
典型的这类方法包括：第一个是;BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies) 方法，它首先利用树的结构对对象集进行划分；然后再利用其它聚类方法对这些聚类进行优化。
第二个是CURE(Clustering Using REprisentatives) 方法，它利用固定数目代表对象来表示相应聚类；然后对各聚类按照指定量（向聚类中心）进行收缩。
第三个是ROCK方法，它利用聚类间的连接进行聚类合并。
最后一个CHEMALOEN，它则是在层次聚类时构造动态模型。
3 基于密度方法，根据密度完成对象的聚类。
它根据对象周围的密度（如DBSCAN）不断增长聚类。
典型的基于密度方法包括：GDBSCAN,DBCLASD,DENCLUE(DENsity-based CLUstEring)DBSCAN(Densit-based Spatial Clustering of Application with Noise):该算法通过不断生长足够高密度区域来进行聚类；它能从含有噪声的空间数据库中发现任意形状的聚类。
数据挖掘--聚类方法(1)聚类就是将数据对象分组成多个类或者簇，划分的原则是在同一个粗中的对象之间具有较高的相似度，而不同簇中的对象差别较大。
属于一种无指导的学习方法。
好的聚类算法应该满足以下几个方面：（1）可伸缩型：无论对小数据量还是大数据量应该都是有效的。
（2）具有处理不同类型属性的能力。
（3）能够发现任意形状的聚类。
（4）输入参数对领域知识的弱依赖性（5）对于输入记录顺序不敏感（6）能够处理很多维度的数据，而不止是对3维左右的数据有效（7）处理噪声数据的能力（8）基于约束的距离：既能找到满足特定的约束，又具有良好聚类特性的数据分组（9）挖掘出来的信息是可理解的和可用的。
聚类分析主要在以下几个方面应用：（1）可以作为其他算法的预处理步骤（2）可以作为一个独立的工具来获得数据的分布情况（3）可以完成孤立点挖掘，用来预示欺诈行为的存在。
基本概念聚类分析的输入可以用一组有序对（X,s）或(X,d)表示，这里X表示一组样本，s和d分别是度量样本间相似度或相异度(距离)的标准。
聚类系统的输出是一个分区C={C1,C2,…,Ck}，其中Ci是X的子集，成为类。
类的特征可以用如下几种方式表示： 通过类的中心或类的边界点表示一个类。
使用聚类树中的结点图形化地表示一个类。
使用样本属性的逻辑表达式表示类。
聚类分析的方法：聚类分析有很多大量的、经典的算法，比如k-平均、k-中心点、PAM、CLARANS, BIRTH,CURE,OPTICS,DBSCAN,STING,CLIQUE,WAVECLUSTER等。
度量标准：一个聚类分析过程的质量取决于对度量标准的选择，因此必须仔细选择度量标准。
（1）距离函数明可夫斯基距离：x, y 是相应的特征，n是特征的维数。
则明可夫斯基距离d(x,y)表示如下，r=2为欧式距离。
二次型距离：余弦距离二元特征样本的距离假定x和y分别是n维特征，xi和yi分别表示每维特征，且xi和yi的取值为二元类型数值{0，1}。
聚类算法总结划分方法每个数据被归入相互不同重叠的k个cluster之一目标：cluster内距离最小一、K-Means 算法：（1）算法思想：指定cluster数目为k;随机划分数据到k个子集；计算每个子集的“中心”数据；*计算所有数据到k个“中心”距离；*将每个数据所属类别调整到里数据最近“中心”所代表的cluster/子集；重复上述两个步骤，直至收敛。
（2）算法优点：简单，实现简单；运行时间复杂度较低:0（元组数n * cluster数k *迭代次数t）。
目标明确：最小化类内距离。
（3）算法不足：易陷入局部最优解（和初始值密切相关）；“中心”计算时，如何处理标称数据？；需要预置k值；对噪声数据/孤立点敏感；非凸cluster的识别能力弱。
（4）算法改进：K-Means算法的“中心”点是虚拟数据，不一定在数据集合中存在，改成某实际靠近中心点且存在的数据，得到“k-中心点”算法；降低了噪声、离群点的影响，增加了时间代价；标称属性的“中心”用众数代替均值，及改进的距离计算方法；改进初始时刻数据划分方法或中心点选择方法，如PAM算法。
二、PAM算法（围绕中心点划分方法）（1）算法思想：随机选择k个种子为中心点，即cluster的代表，将数据点划归到最近中心点/种子代表的cluster；对所有（种子，非种子）对，尝试交换它们，检查是否能提高聚类质量：所有元组到各自中心”的距离和。
选择最好的能提升结果质量所对应的交换，实施交换，直至算法收敛。
（2）算法评述：K-medoids算法的改进；可以用一些启发式方法选择交换的种子和非种子；易陷入局部最优。
三、针对大规模数据集改进算法（1）主要解决问题：数据集无法一次载入内存；重复多次计算一个点/数据到其它数据的距离;（2）CLARA 算法：对数据集中的数据进行采样，在采样得到的子集上寻找中心点，执行PAM算法；（3）CLARANS 算法：执行PAM算法，其中没有搜索所有可能的实施交换的对，仅仅执行L次（种子，非种子）对的交换;层次方法层次聚类：在不同概念层次上各自形成clusters，构成一•棵树状图①endrogram）重点考虑优化目标：cluster之间的距离最大化核心问题：两个cluster之间的距离如何计算的问题（最小、最大、平均距离、虚拟中心、Medoid距离）一、主要层次算法：（1）AGNES算法（凝聚思想）：自底向上，找两个簇，它们中最相似两个数据的距离最小，则合并这两个簇；迭代该过程，直至所有对象最终合并形成一个簇。
