本文概述了数据挖掘中的聚类分析，包括K-Means、层次聚类等方法。聚类的目标是将相似的对象分组，形成内部相似、外部差异的簇。K-Means是一种基于原型的聚类技术，易受初始质心选择影响，适用于处理球形簇。层次聚类分为凝聚和分裂两种方式，能处理不同大小的簇。DBSCAN是基于密度的聚类方法，能捕捉不同形状和大小的簇，但对密度急剧变化的簇处理不佳。聚类评估通常使用内部和外部指标，如轮廓系数、熵、纯度、精度和召回率等。
这篇文章对《数据挖掘导论》中聚类分析这部分做一个总结。
聚类
- 含义：根据在数据中发现的描述对象及其关系的信息，将数据对象分组
- 目标：组内的对象相互之间是相似的，而不同组中的对象是不同的。组内的相似性越大，组间差别越大，聚类就越好。
- 类型：
- 划分聚类(partitional clustering)：将数据对象划分成不重叠的子集，使得每个数据对象恰在一个子集中。
- 层次聚类(hierarchical clustering)：允许簇有子簇。
- 互斥的(exclusive)：每个对象都被指派到单个簇。
- 重叠的(overlapping)：一个对象同时属于多个组。
- 模糊的(fuzzy)：每个对象以一个0和1之间的隶属权值属于每个簇。
- 完全聚类(complete clustering)：每个对象指派到一个簇。
- 部分聚类(partial clustering)：数据集中某些对象不属于明确定义的组。
- 簇类型：
- 明显分离的：每个点到同簇中任一点的距离比到不同簇中所有点的距离更近。
- 基于原型的：每个点到定义该簇的原型的距离比到其他簇的原型的距离更近。
- 连续属性的数据：质心（所有点的平均值）
- 数据具有分类属性：中心点
- 基于密度的：簇是对象的稠密区域，被低密度的区域环绕。
- 聚类方法
- 基于划分的：K-Means, K-Medoids，
最低0.47元/天 解锁文章
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
