• <ins id="pjuwb"></ins>
    <blockquote id="pjuwb"><pre id="pjuwb"></pre></blockquote>
    <noscript id="pjuwb"></noscript>
          <sup id="pjuwb"><pre id="pjuwb"></pre></sup>
            <dd id="pjuwb"></dd>
            <abbr id="pjuwb"></abbr>

            聚類分析方法概述

            聚類分析是數(shù)據(jù)挖掘中的一個(gè)很活躍的研究領(lǐng)域,并提出了許多聚類算法。
            這些算法可以被分為劃分方法、層次方法、基于密度方法、基于網(wǎng)格方法和
            基于模型方法。
            1 劃分方法(PAM:PArtitioning method)  首先創(chuàng)建k個(gè)劃分,k為要?jiǎng)?chuàng)建的劃分個(gè)數(shù);然后利用一個(gè)循環(huán)
            定位技術(shù)通過將對(duì)象從一個(gè)劃分移到另一個(gè)劃分來幫助改善劃分質(zhì)量。典型的劃分方法包括:
            k-means,k-medoids,CLARA(Clustering LARge Application),
            CLARANS(Clustering Large Application based upon RANdomized Search).
            FCM

            2 層次方法(hierarchical method)  創(chuàng)建一個(gè)層次以分解給定的數(shù)據(jù)集。該方法可以分為自上
            而下(分解)和自下而上(合并)兩種操作方式。為彌補(bǔ)分解與合并的不足,層次合
            并經(jīng)常要與其它聚類方法相結(jié)合,如循環(huán)定位。典型的這類方法包括:
            第一個(gè)是;BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies) 方法,它首先利用樹的結(jié)構(gòu)對(duì)對(duì)象集進(jìn)行劃分;然后再利
            用其它聚類方法對(duì)這些聚類進(jìn)行優(yōu)化。
            第二個(gè)是CURE(Clustering Using REprisentatives) 方法,它利用固定數(shù)目代表對(duì)象來表示相應(yīng)聚類;然后對(duì)各聚類按照指定
            量(向聚類中心)進(jìn)行收縮。
            第三個(gè)是ROCK方法,它利用聚類間的連接進(jìn)行聚類合并。
            最后一個(gè)CHEMALOEN,它則是在層次聚類時(shí)構(gòu)造動(dòng)態(tài)模型。

            3 基于密度方法,根據(jù)密度完成對(duì)象的聚類。它根據(jù)對(duì)象周圍的密度(如
            DBSCAN)不斷增長聚類。典型的基于密度方法包括:
              DBSCAN(Densit-based Spatial Clustering of Application with Noise):該算法通過不斷生長足夠高密
            度區(qū)域來進(jìn)行聚類;它能從含有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的聚類。此方法將一個(gè)聚類定義
            為一組“密度連接”的點(diǎn)集。
              OPTICS(Ordering Points To Identify the Clustering Structure):并不明確產(chǎn)生一
            個(gè)聚類,而是為自動(dòng)交互的聚類分析計(jì)算出一個(gè)增強(qiáng)聚類順序。。

            4 基于網(wǎng)格方法,首先將對(duì)象空間劃分為有限個(gè)單元以構(gòu)成網(wǎng)格結(jié)構(gòu);然后利
            用網(wǎng)格結(jié)構(gòu)完成聚類。
                STING(STatistical INformation Grid) 就是一個(gè)利用網(wǎng)格單元保存的統(tǒng)計(jì)信息進(jìn)行基
            于網(wǎng)格聚類的方法。
                CLIQUE(Clustering In QUEst)和Wave-Cluster 則是一個(gè)將基于網(wǎng)格與基于密度相結(jié)合的方
            法。

            5 基于模型方法,它假設(shè)每個(gè)聚類的模型并發(fā)現(xiàn)適合相應(yīng)模型的數(shù)據(jù)。典型的
            基于模型方法包括:

                統(tǒng)計(jì)方法COBWEB:是一個(gè)常用的且簡單的增量式概念聚類方法。它的輸入對(duì)象是采
            用符號(hào)量(屬性-值)對(duì)來加以描述的。采用分類樹的形式來創(chuàng)建
            一個(gè)層次聚類。
                CLASSIT是COBWEB的另一個(gè)版本.。它可以對(duì)連續(xù)取值屬性進(jìn)行增量式聚
            類。它為每個(gè)結(jié)點(diǎn)中的每個(gè)屬性保存相應(yīng)的連續(xù)正態(tài)分布(均值與方差);并利
            用一個(gè)改進(jìn)的分類能力描述方法,即不象COBWEB那樣計(jì)算離散屬性(取值)
            和而是對(duì)連續(xù)屬性求積分。但是CLASSIT方法也存在與COBWEB類似的問題。
            因此它們都不適合對(duì)大數(shù)據(jù)庫進(jìn)行聚類處理.

            posted on 2008-02-15 23:32 Amigo 閱讀(8744) 評(píng)論(4)  編輯 收藏 引用

            評(píng)論

            # 求助聚類分析方法 2008-05-11 17:40 一名求助者

            你好.我是高校的一名老師,我現(xiàn)在正在做一個(gè)畢業(yè)論文,其中用到了聚類分析的方法,我做出了個(gè)結(jié)果,但是不能對(duì)該結(jié)果有個(gè)比較滿意的解釋,直接導(dǎo)致論文的最后一個(gè)部分:討論部分沒有主題,由于論文馬上要答辯,請(qǐng)樓主看到我的留言后給我回個(gè)信息,希望能得到指點(diǎn),謝謝!我的手機(jī)13509711779  回復(fù)  更多評(píng)論   

            # re: 聚類分析方法概述 2008-09-17 12:53 川山

            @一名求助者
            聚類結(jié)果解釋不滿意時(shí),先看聚類的指標(biāo)是否合適,符合理論分析的需要,或變量進(jìn)行標(biāo)準(zhǔn)化變換!!  回復(fù)  更多評(píng)論   

            # re: 聚類分析方法概述 2009-11-27 19:15 輝子

            樓主,你好,我現(xiàn)在用聚類分析來做,但是效果不好,總是有些聚類很分散。不知道為什么?樓主可以指點(diǎn)一下嗎?謝謝。我的郵箱是:xujianhui306@163.com。很著急的。  回復(fù)  更多評(píng)論   

            # re: 聚類分析方法概述 2012-03-05 15:33 小格子

            樓主大人你好~
            我現(xiàn)在在做的課題有關(guān)空間中點(diǎn)的聚類~
            我想把距離在1以內(nèi)的點(diǎn)都聚在一起,
            對(duì)于類間距離沒有要求
            不知道用什么聚類方法~
            求回復(fù)~
            我郵箱397023518@qq.com
            跪謝!!!  回復(fù)  更多評(píng)論   


            只有注冊(cè)用戶登錄后才能發(fā)表評(píng)論。
            網(wǎng)站導(dǎo)航: 博客園   IT新聞   BlogJava   博問   Chat2DB   管理


            <2025年5月>
            27282930123
            45678910
            11121314151617
            18192021222324
            25262728293031
            1234567

            導(dǎo)航

            統(tǒng)計(jì)

            常用鏈接

            留言簿(4)

            隨筆檔案

            搜索

            積分與排名

            最新評(píng)論

            閱讀排行榜

            評(píng)論排行榜

            久久精品国产欧美日韩| 国产午夜久久影院| 国内精品久久国产| 欧美精品久久久久久久自慰| 日韩人妻无码精品久久免费一| 久久国产精品99久久久久久老狼| 久久久久无码精品| 久久久久国产一级毛片高清版| 亚洲国产一成久久精品国产成人综合 | 久久99久久无码毛片一区二区| 亚洲精品99久久久久中文字幕| 久久精品九九亚洲精品| 激情五月综合综合久久69| 久久AV高清无码| 久久国产色av免费看| 国内精品久久久久久麻豆| 国产亚洲色婷婷久久99精品| 中文字幕无码久久精品青草 | 国产女人aaa级久久久级| 午夜欧美精品久久久久久久| 久久亚洲2019中文字幕| 久久亚洲国产欧洲精品一| 亚洲AV无码久久精品蜜桃| 久久伊人五月丁香狠狠色| 久久中文精品无码中文字幕| 亚洲国产精品人久久| 国产精品久久久久久久久| 精品国际久久久久999波多野| 99久久国产精品免费一区二区| 区亚洲欧美一级久久精品亚洲精品成人网久久久久 | 久久久久久精品久久久久| 久久影院久久香蕉国产线看观看| 久久天堂电影网| 久久精品国产国产精品四凭| 国产精品日韩深夜福利久久| 91精品婷婷国产综合久久| 国产成人精品久久一区二区三区av | 99久久做夜夜爱天天做精品| 噜噜噜色噜噜噜久久| 久久亚洲国产最新网站| 国产69精品久久久久9999APGF |