數(shù)據(jù)挖掘中聚類分析的算法研究

陳柯伊

摘 要：數(shù)據(jù)挖掘技術(shù)已經(jīng)在企業(yè)決策中得到了廣泛的使用，這不僅能夠幫助企業(yè)管理人員進(jìn)行正確決策，也能夠提升企業(yè)的經(jīng)濟(jì)效益與社會效益。在數(shù)據(jù)挖掘技術(shù)中，聚類技術(shù)是其中的重要組成部分，應(yīng)用范圍也非常廣泛。聚類算法有著理想的可伸縮效果，在處理數(shù)據(jù)的時候，有著理想的優(yōu)勢與聚類質(zhì)量，該種分析方法是值得進(jìn)行大范圍推廣和使用的。本文主要分析數(shù)據(jù)挖掘中聚類分析的算法。

關(guān)鍵詞：數(shù)據(jù)挖掘；聚類分析；算法

數(shù)據(jù)挖掘即知識發(fā)現(xiàn)數(shù)據(jù)庫，該種方法強調(diào)從大量不完全卻含有噪聲的數(shù)據(jù)中提取出對人們有用的信息，到目前為止，數(shù)據(jù)挖掘技術(shù)已經(jīng)在企業(yè)決策中得到了廣泛的應(yīng)用，這不僅能夠幫助企業(yè)管理人員進(jìn)行正確決策，也能夠提升企業(yè)的經(jīng)濟(jì)效益與社會效益。在數(shù)據(jù)挖掘技術(shù)中，聚類技術(shù)是其中的重要組成部分，應(yīng)用范圍也更加廣泛。本文就針對數(shù)據(jù)挖掘中聚類分析的算法進(jìn)行深入的分析。

一、聚類的概念

聚類分析是一種描述數(shù)據(jù)關(guān)系與描述對象的相關(guān)信息，數(shù)據(jù)分析強調(diào)數(shù)據(jù)對象的分析。進(jìn)行聚類分析的根本目標(biāo)就是在龐雜的數(shù)據(jù)中找出有用的數(shù)據(jù)，一般情況下，組內(nèi)對象相關(guān)性越來，聚類效果就會相對較差。目前，聚類分析藝術(shù)已經(jīng)成為一種重要的輔助性工具，開始在市場營銷、社會服務(wù)以及科學(xué)研究工作中得到了廣泛的應(yīng)用，聚類分析技術(shù)也成為現(xiàn)階段研究的重點與難點問題。

二、數(shù)據(jù)結(jié)構(gòu)與數(shù)據(jù)類型

1.數(shù)據(jù)矩陣

數(shù)據(jù)矩陣是由對象—屬性結(jié)構(gòu)構(gòu)成，這種矩陣包括n個對象。例如，要用幾個屬性來描述人，這些屬性包括體重、身高、出生日期幾個屬性，這能夠使用如下的矩陣列表進(jìn)行表示：

xll…xlf…xlpxil…xif…xipxnl…xnf…xip

2.相異度矩陣

相異度矩陣即對象—對象結(jié)構(gòu)，在這個矩陣之中，有n個對象的差異，一般情況下，使用nXn來表達(dá)相異度矩陣：

0d（2，1）0d（3，1）d（3，2）0……d（n，1）d（n，2）……0

在具體的應(yīng)用工作中，數(shù)據(jù)挖掘任務(wù)的是各種復(fù)合數(shù)據(jù)與非數(shù)值型數(shù)據(jù)，這些數(shù)據(jù)類型是多種多樣的，包括有序數(shù)據(jù)類型、標(biāo)稱型變量、布爾類型、分段數(shù)值變量、序數(shù)型、二元組合變量以及比例型變量等。

三、數(shù)據(jù)挖掘主要聚類算法分析

1.劃分方法

劃分方法即將包含n個數(shù)據(jù)數(shù)據(jù)集劃分成為m個小組，其中每個小組都屬于聚類，這些小組是需要滿足幾個要素的：一方面，分析包含的數(shù)據(jù)對象需要在一個以上；另一方面，每一個數(shù)據(jù)對象只能夠在一個分組中出現(xiàn)，嚴(yán)禁出現(xiàn)在不同的分組中。為了提升計算結(jié)果的準(zhǔn)確性，可以采用反復(fù)迭代法進(jìn)行計算。在完成最后一步時，需要針對改進(jìn)分組方案進(jìn)行對比，在各個分組之中，數(shù)據(jù)對象越近，計算的準(zhǔn)確性就越高。在這種算法之中，k平均算法與k中心點算法的使用范圍最廣，在技術(shù)水平的發(fā)展之下，在這兩種算法基礎(chǔ)上又延伸出了集中新型計算方法。

2.層次方法

層次方法也是數(shù)據(jù)挖掘中聚類分析算法的重要類型，該種算法能夠?qū)?shù)據(jù)集進(jìn)行層次分解。層次方法主要有兩個類型，即從下而上凝聚的層次聚類與自上而下的分裂層次聚類，前者能夠?qū)?shù)據(jù)對象進(jìn)行單獨分組，再將其進(jìn)行合并處理。

3.基于密度分析法

在現(xiàn)階段下，非球形數(shù)據(jù)集巨變能夠采用基于距離的算法，但是，對于其余類型的巨變，是難以采用該種分析法進(jìn)行計算的。密度分析法能夠?qū)⒚芏染奂c相關(guān)區(qū)域進(jìn)行密切的連接，基于密度分析法不僅能夠發(fā)展不同形狀的簇，也能夠有效消除噪聲，這種密度算法有OPTICS、DBSCAN以及DENCLUE幾種類型。

4.基于模型分析法

基于模型分析法是能夠通過聚類設(shè)定模型的一種計算方法，該種算法建立在數(shù)據(jù)集基礎(chǔ)上，能夠?qū)σ恍?shù)據(jù)模型與給定數(shù)據(jù)的擬合實現(xiàn)優(yōu)化?；谀Ｐ头治龇ㄐ枰詳?shù)據(jù)概率建立假設(shè)，常用的分析法有概念聚集分析法、神經(jīng)網(wǎng)絡(luò)分析法與EM分析法幾種類型。

5.基于網(wǎng)絡(luò)分析法

基于網(wǎng)絡(luò)分析法能夠?qū)⒘炕W(wǎng)絡(luò)空間實現(xiàn)聚類，有效優(yōu)化計算效果，同時，該種方法也難以檢測到邊界聚類，計算對象主要針對水平聚類與垂直聚類。基于網(wǎng)絡(luò)分析法與數(shù)據(jù)集大小并無密切的關(guān)系，其計算復(fù)雜性主要由網(wǎng)格單元數(shù)目來決定，常用的聚類算法包括STING、WaveCluster以及CLIQUE幾種類型。

參考文獻(xiàn)：

[1]胡建軍，唐常杰，李川，彭京，元昌安，陳安龍，蔣永光.基于最近鄰優(yōu)先的高效聚類算法[J].四川大學(xué)學(xué)報（工程科學(xué)版），2004（6）.

[2]楊善林，李永森，胡笑旋，潘若愚. K-MEANS算法中的K值優(yōu)化問題研究[J].系統(tǒng)工程理論與實踐，2006（2）.