聚类分析原理及步骤

聚类分析原理及步骤

——将未知数据按相似程度分类到不同的类或簇的过程

1

》

传统的 统计聚类分析方法包括系统聚类法、分解法、加入法、

动态聚类法、有序样品聚类、有重 叠聚类和模糊聚类等。采用

k-

均值、

k-

中心点等算法的聚类分析工具已被加入到许多著名

的统计分 析软件包中，如

SPSS

、

SAS

等。

典型应用

1

》

动植物分类和对基因进行分类

2

》

在网上进行文档归类来修复信息

3

》

帮助电子商务的用户了解自己的客户，向客户提供更合适

的服务

主要步骤

1

》

数据预 处理——选择数量，类型和特征的标度（

（依据特

征选择和抽取 ）特征选择选择重要的特征，特征抽取把输

入的特征转化为一个新的显著特征，

它们经常被用来获取

一个合适的特征集来为避免“维数灾”进行聚类）< /p>

和将孤

立点移出数据

（孤立点是不依附于 一般数据行为或模型的

数据）

2

》

为衡量 数据点间的相似度定义一个距离函数——既然相

类似性是定义一个类的基础，

特征空间相似度的衡量对于聚类步骤是很重要的 ，

由于特

征类型和特征标度的多样性，距离度量必须谨慎，它经 常

1

/

6

文档可自由编辑

< br>依赖于应用，例如，通常通过定义在特征空间的距离度量

来评估不同对象的相异性 ，

很多距离度都应用在一些不同

的领域一个简单的距离度量，如

Euclidean

距离，经常被

用作 反映不同数据间的相异性，一些有关相似性的度量，

例如

PMC

和

SMC

，能够被用来特征化不同数据 的概念相似

性，在图像聚类上，子图图像的误差更正能够被用来衡量

两个图形的相似性

3

》

聚类或 分组——将数据对象分到不同的类中【划分方法

（划分方法一般从初始划分和最优化一个 聚类标准开

始

，

Crisp Clustering

和

Fuzzy Clusterin

是划分方法

的两个主要技术，

Crisp

Clustering

，它的每一个数据都

属于单独的类；

Fuzzy

Clustering

，它的每个数据可能在

任何一个类中）和层次方法（基于某个标准产生 一个嵌套

的划分系列，

它可以度量不同类之间的相似性或一个类 的

可分离性用来合并和分裂类）是聚类分析的两个主要方

法，另 外还有基于密度的聚类，基于模型的聚类，基于网

格的聚类】

4

》

评估输 出——评估聚类结果的质量

（它是通过一个类有效

索引来评价，

，一般来说，几何性质，包括类间的分离和

类内部的耦合，一般 都用来评价聚类结果的质量，类有效

索引在决定类的数目时经常扮演了一个重要角色，< /p>

类有效

索引的最佳值被期望从真实的类数目中获取，

一个通常的

2

/

6

文档可自由编辑

< br>决定类数目的方法是选择一个特定的类有效索引的最佳

值，

这个索引能否真实的得出类的数目是判断该索引是否

有效的标准，

很多已经存在的标准对于相互分离的类数据

集合都能得出很好的结果，但是对于复杂 的数据集，却通

常行不通，例如，对于交叠类的集合。

）

聚类分析的主要计算方法原理及步骤

划分法

1

》

将数据 集分割成

K

个组

（每个组至少包含一个 数据

且每一个数据纪录属于且仅属于一个分组）

，每个