层次算法聚类（四）

Chameleon聚类算法：使用动态建模的多阶段层次聚类

　　Chamelon算法是一种层次聚类算法，它采用动态建模来确定一对簇之间的相似度。在Chamelon算法中簇的相似度依据有如下两点评估：（1）簇中对象的连接情况。（2）簇的邻近性。即如果两个簇的互联性很高并且他们之间又靠的很近，那么就将其合并。

 

　　（1）  Chamelon算法采用K-最近邻图的方法来构建稀疏图，，图的每一个顶点代表一个数据点，如果一个对象是另一个对象的K近邻，那么两个顶点之间存在一条边，边的权重反映相似度。（构建稀疏图）

　　（2）  Chamelon算法使用一种图划分算法，，把K-近邻图划分成大量相对较小的子簇，使得边割最小。如把簇C分割成Ci和Cj，使得Ci和Cj而被切断的边的权重之和最小，即它评估Ci和Cj的绝对互联性。（划分图）

　　（3）  Chamelon算法使用一种凝聚的层次聚类算法，其基于子簇的相似度反复的合并子簇。为了确定最相似的子簇对，它既考虑每个簇的互联性，又考虑簇的近邻性。更确切的说就是根据两个簇Ci和Cj的相对互联度RI和相对接近度RC来决定它们的相似度。（合并分区）

 

　　Ci和Cj的相对互联度RI:  EC(Ci,Cj)是包含Ci和Cj的边革。EC(Ci)/EC(Cj)为Ci/Cj划分为大致相等的两部分的割边的最小和。

　　Ci和Cj的相对接近度RC: |Ci|为簇Ci内数据点的个数。

基本过程如图所示：

　　合并过程算法：

　　1、给定度量函数的上限minMetric,

　　2、访问每个簇，计算他与邻近的每个簇的RC和RI，通过度量函数公式计算出值tempMetric。

　　3、找到最大的tempMetric,如果最大的tempMetric超过阈值minMetric，将簇与此值对应的簇合并

　　4、如果找到的最大的tempMetric没有超过阈值，则表明此聚簇已合并完成，移除聚簇列表，加入到结果聚簇中。

　　5、递归步骤2，直到待合并聚簇列表最终大小为空。

　　与一些著名的算法（如BIRCH和基于密度的DBSCAN算法）相比，Chamelon算法在发现高质量的任意形状的簇方面具有更强的能力。然而，在最坏的情况下，高维数据的处理代价可能需要O（n^2）时间。

　　我对Chamolon算法的理解：将图论的内容引入到聚类中，将相似度作为边的权重，根据K-近邻来做出稀疏图，然后划分图，再合并。