數(shù)據(jù)挖掘中聚類分析算法性能分析

摘 要：聚類就是將數(shù)據(jù)集劃分不同類的一個過程，不同聚類數(shù)據(jù)對象相似度小于同一個聚類對象相似度，在使用聚類分析方法應(yīng)用數(shù)據(jù)集后便可以幫助研究人員分析出數(shù)據(jù)集的稠密區(qū)域與稀疏區(qū)域，辨別出各個數(shù)據(jù)之間的相關(guān)性。聚類分析算法可以分為幾種不同的形式，其中代表性的算法有層次方法、劃分方法、基于網(wǎng)格算法與基于密度算法，本文主要分析數(shù)據(jù)挖掘中聚類分析算法性能。

關(guān)鍵詞：數(shù)據(jù)挖掘；聚類分析算法；性能分析

中圖分類號：TP311.13；TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-7712 （2014） 16-0000-01

在技術(shù)水平的發(fā)展之下，數(shù)據(jù)挖掘技術(shù)也得到了迅速的發(fā)展，在傳統(tǒng)領(lǐng)域下，數(shù)據(jù)挖掘技術(shù)僅僅是基于統(tǒng)計學(xué)與計算機(jī)技術(shù)基礎(chǔ)上產(chǎn)生的技術(shù)，目前，數(shù)據(jù)挖掘技術(shù)已經(jīng)在各個行業(yè)中得到了廣泛的應(yīng)用，其最大的目標(biāo)市場主要集中在數(shù)據(jù)集市、數(shù)據(jù)倉庫與決策支持業(yè)界之中，下面就針對數(shù)據(jù)挖掘中聚類分析算法的性能進(jìn)行深入的分析。

一、數(shù)據(jù)挖掘中聚類分析算法的應(yīng)用

聚類就是將數(shù)據(jù)集劃分不同類的一個過程，不同聚類數(shù)據(jù)對象相似度小于同一個聚類對象相似度，在使用聚類分析方法應(yīng)用數(shù)據(jù)集后便可以幫助研究人員分析出數(shù)據(jù)集的稠密區(qū)域與稀疏區(qū)域，辨別出各個數(shù)據(jù)之間的相關(guān)性。將聚類分析法應(yīng)用在商業(yè)領(lǐng)域可以幫助研究人員對客戶群體進(jìn)行深入的挖掘，并根據(jù)客戶群體的消費心理與特征來制定營銷策略；將聚類分析法應(yīng)用在生物學(xué)領(lǐng)域能夠幫助了解人員了解人類的基因；將聚類分析法應(yīng)用在經(jīng)濟(jì)領(lǐng)域中能夠幫助研究人員來評價各個地區(qū)的經(jīng)濟(jì)發(fā)展能力。同時，聚類分析還可以幫助用戶挖掘出網(wǎng)頁中的有用信息，聚類分析能夠作為獨立工具，也可以與其他數(shù)據(jù)挖掘算法進(jìn)行聯(lián)合使用。

二、聚類分析算法的應(yīng)用要求與方法簡介

聚類分析算法的應(yīng)用需要滿足幾個特性，這包括可擴(kuò)展性、不同類型屬性處理能力、任意形狀聚類、減少輸入?yún)?shù)量、噪聲數(shù)據(jù)處理力、高維問題、約束聚類幾個內(nèi)容。根據(jù)處理數(shù)據(jù)目的、要求與類型的不同，聚類分析算法可以分為幾種不同的形式，其中代表性的算法有層次方法、劃分方法、基于網(wǎng)格算法與基于密度算法。

（一）層次方法

層次方法是一種層次廣泛的分析方法，層次方法有兩種類型，即自上而下分析法與自下而上分析法，前者強(qiáng)調(diào)將數(shù)據(jù)對象作為獨立分組，對這些對象組進(jìn)行合并處理，直至滿足終止條件；后者將所有對象作為一個分析，逐步將其分為小組，直至滿足終止條件。常用的分析法有CURE算法與BIRCH算法兩種類型。

層次方可可以得出粒度不同的多層次聚類結(jié)構(gòu)，但是，由于各類因素的影響，這一分析法也有一些缺陷，其中最大的問題就是難以進(jìn)行回溯，在分析的時候必須要考慮到這一問題。

在進(jìn)行計算時，需要按照相似度來進(jìn)行分析，也能夠?qū)⒉幌嗨频牟糠址蛛x開來，判斷各個類的相似性，再根據(jù)距離來計算出類與類的差異度。

層次分析法引入了聚類特征樹與聚類特征，是針對大規(guī)模數(shù)據(jù)的一種算法，該種算法可以有效減少數(shù)據(jù)處理量，在完成壓縮之后也能夠滿足聚類信息需求，也不會影響聚類的質(zhì)量。此外，該種算法只要進(jìn)行一次掃描即可完成聚類，但是，該種算法只能夠使用直徑與半徑概念進(jìn)行分析，因此，只能夠用于對象為球形的計算中，如果數(shù)據(jù)輸入順序不同，那么就很可能產(chǎn)生不同的聚類結(jié)果。

（二）分析方法

使用分析方法可以將數(shù)據(jù)集劃分為k個聚類，這些聚類需要滿足幾個條件：（1）聚類是要包含一個及以上數(shù)據(jù)對象的；（2）每一個數(shù)據(jù)對象只與一個聚類相關(guān)，對于一些模糊劃分方法，能夠適當(dāng)放寬要求。

對于所有聚類，都需要使用優(yōu)化的分析方法進(jìn)行劃分，縮小聚類對象距離，分析劃分方法質(zhì)量的標(biāo)準(zhǔn)就是聚類相似度，理想的劃分方法能夠提升數(shù)據(jù)對象相似度，常用的劃分法包括K-medoids算法與K-means算法兩種類型。

（三）基于網(wǎng)格方法

基于網(wǎng)格方法強(qiáng)調(diào)將對象空間劃分成網(wǎng)格結(jié)構(gòu)，這些網(wǎng)格結(jié)構(gòu)的數(shù)目單元是有限的，一般情況下，如果劃分過于粗糙，就會影響邊界的清晰度，如果劃分過于細(xì)致，也會導(dǎo)致小聚類數(shù)量過多。為此，在使用網(wǎng)絡(luò)分析法時，就需要從小單元先進(jìn)行聚類，在逐步增加其體積，指導(dǎo)聚類質(zhì)量達(dá)到標(biāo)準(zhǔn)。

劃分對象網(wǎng)格數(shù)對于數(shù)據(jù)庫集處理時間有著重要的影響，這會有效簡化個數(shù)對于數(shù)據(jù)的影響，這即可有效提升網(wǎng)格分析法的處理速度。

假設(shè)N為數(shù)據(jù)庫對象數(shù)據(jù)，且N無限大，數(shù)據(jù)對象特征會產(chǎn)生d維特征空間，在進(jìn)行計算時，數(shù)據(jù)復(fù)雜度是o（N），在對象掃描完成后需要將其分配到相應(yīng)單元中，若特征空間一個維有m個單元，就一共會出現(xiàn)md個單元，在下一步，就可以使用小波轉(zhuǎn)換來進(jìn)行處理，建立好查詢表，在數(shù)據(jù)引入其中之后，即可處理相關(guān)數(shù)據(jù)，這些數(shù)據(jù)復(fù)雜度與數(shù)據(jù)對象數(shù)是沒有直接關(guān)聯(lián)的，算法時間復(fù)雜度即為o（N）。

（四）基于密度算法

基于密度算法可以分析出各種形狀聚類，這一算法主要通過獲得聚類到相鄰密度閾值獲取結(jié)果，該種算法可以起到很好的除燥作用，挖掘出形狀不同的聚類，其中最為常用的基于密度算法就是DBCLUES、OPTICS與DBSCAN。

三、結(jié)束語

總而言之，聚類分析已經(jīng)在數(shù)據(jù)挖掘領(lǐng)域中得到了廣泛的使用，聚類分析算法可以分為幾種不同的形式，其中代表性的算法有層次方法、劃分方法、基于網(wǎng)格算法與基于密度算法。每一種算法都有其不同的特征與適用性，層次方法適宜用在不同粒度多層次聚類結(jié)構(gòu)的分析；劃分方法多用于球形聚類形狀；基于網(wǎng)格算法能夠迅速處理數(shù)據(jù)對象；基于密度算法可以能夠有效消除噪聲，相信在大數(shù)據(jù)時代的發(fā)展下，聚類分析技術(shù)定可以得到更加廣泛的使用。

參考文獻(xiàn)：

[1]王成，王繼順.基于因子分析與聚類分析的學(xué)生成績綜合評價[J].甘肅聯(lián)合大學(xué)學(xué)報（自然科學(xué)版），2011（01）.

[2]王亮紅，宋代清，徐娜.聚類分析在學(xué)生成績分析中的應(yīng)用[J].東北電力大學(xué)學(xué)報（社會科學(xué)版），2009（04）.

[3]劉思，徐靜瑞，張建偉.基于螞蟻孵化分類行為的聚類算法[J].鄭州輕工業(yè)學(xué)院學(xué)報（自然科學(xué)版），2009（05）.

[4]Wenyin Gong，Zhihua Cai，Charles X.Ling.DE/BBO：a hybrid differential evolution with biogeography-based optimization for global numerical optimization[J].Soft Computing.2010（04）.