- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
增量算法是非迭代的，需要主存储空间非 常小，所需要的时间也很少，即使采用迭 代算法，所需的计算时间也不会显著增加。 增量聚类存在的一个明显的缺点：对样本 的顺序非常敏感。不同的顺序会产生不同 的分区。 例如：仍然采用上例的数据集。假定样本 的顺序是x1,x2,x3,x4,x5，则类相似度阈值 水平是δ=3。
按升序排列：
d(x2,x3)=1.5,d(x1,x2)=2, d(x4,x5)=2, d(x1,x3)=2.5, d(x3,x4)=3.5,d(x3,x5)=4.03,d(x2,x4)=5,d(x1,x5)=5, d(x2,x5)=5.29, d(x1,x4)=5.39
第二步：单链接算法。
按最小距离合并x2和x3，生成新类 {x2,x3}，其距离为1.5。 x4和x5合并成 一个新类{x4,x5}，其距离为2。同时， 类{x2,x3}和{x1}间的最小距离也是2.0， 将其合并成一个新类{x1,x2,x3} ，其距 离为2。最后，两个类{x1,x2,x3}和{x4,x5} 可以以更高的级别进行合并，其最小 单链接距离为3.5。树状图如下：
例如：给出6个6维分类的样本： X1={A,B,A,B,C,B} X2={A,A,A,B,A,B} X3={B,B,A,B,A,B} X4={B,A,B,A,C,A} X5={A,C,B,A,B,B} X6={A,C,B,A,B,B} 它们被聚集成两个类： C1={x1,x2,x3}和C2={x4,x5,x6}。 新样本Y={A,C,A,B,C,A}属于哪一类？
例如：二维样本集共5个点{x1,x2,x3,x4,x5}
x1=(0,2),x2=(0,0),x3=(1.5,0),x4=(5.0),x5=(5,2) 其图形化表示如下图：
第一步：计算欧氏距离。
d(x1,x2)=2, d(x1,x3)=2.5 d(x1,x4)=5.4 d(x1,x5)=5 d(x2,x3)=1.5, d(x2,x4)=5, d(x2,x5)=5.29 d(x3,x4)=3.5, d(x3,x5)=4.03 d(x4,x5)=2
总体平方误差：
E2= e12+ e22=19.36+8.12=27.48
依据距离重心M1和M2的最小距离，再分配所
有的样本时，类内样本重新分布将是：
d(M1,x1)=((0-1.66)2+(2-0.66)2)1/2=2.14 和d(M2,x1)=3.40→x1∈C1 d(M1,x2)=1.79和d(M2,x2)=3.40→x2∈C1 d(M1,x3)=0.83和d(M2,x3)=2.01→x3∈C1 d(M1,x4)=3.41和d(M2,x4)=2.01→x4∈C2 d(M1,x5)=3.60和d(M2,x5)=2.01→x5∈C2 新类C1={x1,x2,x3}和C2={x4,x5}的新重心是： M1={0.5,0.67} ; M2={5.0,1.0} 新类内误差和总体平方误差是： e12=4.17, e22=2.00,E=6.17
6.3 凝聚层次聚类
在层次聚类分析中，输入中不指定要分成
的类的个数。系统的输入为(X,s)，系统的 输出是类的层次。 大多数层次聚类过程不是基于最优的思想， 而是通过反复的分区直至收敛，找出一些 近似的、未达最优标准的解决方案。 层次聚类算法分为：分裂算法和凝聚算法。
分区算法从整个样本集开始，将它分成几个
子集，然后把每个子集分成更小的集合，依 次下去，最终，生成一个由粗略到精细的分 区序列。 凝聚算法首先把每一个对象当作一个初始类， 然后将这些类合并一个更粗略的分区，反复 合并直至得到比较精细的分区，其过程是自 底向上的过程，分区从精细到粗糙。 凝聚算法又分为单链接和全链接算法，两者 不同之处仅在于它们描述一对类的相似度的 方法。
类内方差的和：
2 2 Ek ek k 1
K
方差聚类方法的目标是对于给出的K，找出
使上式最小的包含K个类的一个分区。 K-平均分区聚类算法是最简单、最常用的 使用方差准则的算法。 它从一个随机的初始分区开始，根据样本 和类间的相似度，将样本重新分配给各类， 直到达到一定的收敛准则。通常情况下， 当样本从一个类被分配到另一个类时，如 果不会出现总体误差减小的情况，便满足 收敛准则。
运用Ｋ-最近邻算法，第一步求出新样本和 其他所有已聚类样本间的距离。 采用SMC求出样本间的相似度，代替 求样本间的距离。
SMC(Y,X1)=4/6=0.66 SMC(Y,X2)=3/6=0.50 SMC(Y,X3)=2/6=0.33 SMC(Y,X4)=4/6=0.66 SMC(Y,X5)=2/6=0.33 SMC(Y,X6)=2/6=0.33
假定要求的类的数量是两个，开始时，随机
形成两个类：C1={x1,x2,x4}和C2={x3,x5} 这两个类的重心是： M1={(0+0+5)/3,(2+0+0)/3}={1.66,0.66} M2={(1.5+5)/2,(0+2)/2}={3.25,1.00} 类内方差：
e12=[(0-1.66)2+(2-0.66)2]+[(0-1.66)2+(0-0.66)2]+ [(5-1.66)2+(0-0.66)2]=19.36 e22=[(1.5-3.25)2+(0-1)2]+[(5-3.25)2+(2-1)2]=8.12
1.
2. 3.
如果样本是分类的数据，就没有办法计算 类的重心来表述类。另一种算法K-最近邻 法可用于估计样本和目前类间的距离(或相 似度) 。 算法的基本步骤： 计算新的样本到所有已被分类的旧样本之 间的距离。 把这些距离按升序排列，选Ｋ个最近值的 样本。 运用投票原理，把新样本添加(分类)给已 选的Ｋ个样本中最大的类。
用类的重心或下面的公式定义类CK的均值
向量Mk:
M k (1 / nk ) xik
i 1
nk
其中，xik是属于类Ck的第i个样本，
Ck的 方差是Ck中的每个样本及其重心的欧氏 距离的平方和。这个误差称为类内误差：
2 ek ( xik M k ) 2 i 1 nk
包含K个类的整个聚类空间的平方误差是
6.5 增量聚类
1.
2. 3.
现在，有些应用涉及到成千上万个高维数 据集。由于数据集规模太大，不可能把整 个数据集储存在主存储器里。 有三个方法可处理这类数据的聚类分析： 可以把数据集存储在辅助存储器里，对数 据的各个子集进行独立地聚类，然后合并 生成整个数据集的聚类，称为分治方法。 可以使用增量聚类算法。 可以并行实现聚类算法，并行计算的好处 是提高了分治方法的效率。
第一样本x1为第一个类C1={x1}。C1的重心 为M1={0,2}。 2. 开始分析其他样本。 a)把第二个样本x2和M1比较，距离d为： d(x2,M1)=(02+22)1/2=2.0<3 因此， x2属于类C1 ，新的重心是： M1={0,1} b)第三个样本x3和重心M1比较： d(x3,M1)=(1.52+12)1/2=1.8<3 x3∈ C1 → C1 ={x1,x2,x3} →M1={0.5,0.66}
经第一次迭代后，总体误差显著减小。本
例第一次迭代也是最后一次迭代，因为重 新计算重心距离分配类与第一次迭代相同， 所以算法停止。 在使用迭代的分区聚类程序时，一个大的 缺憾是缺少一个可应用于初始分区的最佳 方向、更新分区、调整类数和停止准则等 方面的向导。 K-平均算法对噪声和异常点非常敏感，因 为它们对均值的影响相当大。 K-中心点算法对噪声和异常点不敏感。
• K-平均算法的基本步骤： 1. 选择一个含有随机选择样本的K个类的初 始分区，然后计算这些类有重心。 2. 通过将样本分配给与其重心距离最近的类 生成一个新分区。 3. 用类的重心来计算新类的中心距离。 4. 重复步骤2和3直到求出准则函数的最优解 (或直到类的成员稳定)。 • 例如：由图6-6给出的数据，采用K-平均 算法聚类分析。
1. 2.
3.
增量聚类算法的步骤： 把第一个数据项分配到第一个类里。 考虑下一个数据项，把它分配到目前某个 类中或一个新类中。它基于一些准则的， 例如新数据项到目前类的重心的距离。在 这种情况下，每次添加一个新数据项到一 个目前的类中时，需要重新计算重心的值。 重复步骤2，直到所有的数据样本都被聚 类完毕。
1.
c)第四个样本x4和重心M1比较： d(x4,M1)=(4.52+0.662)1/2=4.55>3 x4 → C2 ={x4} →M2={5,0} d)第五个样本和这两个类的重心相比较： d(x5,M1)=(4.52+1.442)1/2=4.72>3 d(x5,M2)=(02+22)1/2=2<3 x5∈ C2 → C2 ={x4,x5} →M2={5,1} 3. 分析完所有的样本，聚类结果是获得两个 类： C1 ={x1,x2,x3}和C2 ={x4,x5} 如果观察的样本的顺序不同，聚类结果也 不同。
用1-最近邻规则(K=1)，新样本不能被分类。 因为x1和x4具有最高相似度(最小距离)，其 中一个在C1，另一个在C2 。 用３-最近邻规则(K=３)，选取3个最大相 似度中，有两个在C1，因此Y分给C1。
单链接算法基于两类之间的距离是从两个
类中抽取的两对样本(一个取自第一类，另 一个取自第二个)的距离中最小值。 全链接算法基于两类间的距离是每对样本 的距离中的最大值。 下图为两种算法的图解说明。
凝聚聚类算法的基本步骤：
1.把每一个样本作为一个类，为所有不同的 无序样本对的类间距离构造一个序列，然 后按升序对这个序列进行排序。 2.通过已排序的距离序列，对于每一个不同 的阈值dk形成一个样本图，图中将距离比dk 更近的各对样本合并成一个新的类。如果 所有的样本都是这个图的元素则停止，否 则，重复该步骤。 3.这个算法的输出是一个嵌套层次图，可以 用希望的相似水平去截取，在相应的子图 中生成一可以
