聚类算法综述（2）

原文地址：聚类算法综述（2） 作者：hyman

（4）结果验证。一旦用聚类算法得到结果，就需要验证其正确性。

（5）结果判定。在许多情况下，应用领域的专家必须用其他实验数据和分析判定聚类结果，最后做出正确的结论。

聚类分析有很多种算法，每种算法都是优化了某一方面或某几方面的特征。聚类算法的优劣标准本身就是一个值得研究的问题，对于聚类的评价有不同的标准。现在通用的聚类算法都是从几个方面来衡量的，而没有完全使用量化的客观标准。下面给出六条关于聚类的主要标准:

（1）处理大的数据集的能力。

（2）处理任意形状，包括有间隙的嵌套的数据的能力。

（3）算法处理的结果与数据输入的顺序是否相关，也就是说算法是否独立于数据输入顺序。

（4）处理数据噪声的能力。

（5）是否需要预先知道聚类个数，是否需要用户给出领域知识。

（6）算法处理有很多属性数据的能力，也就是对数据维数是否敏感。

对于一个聚类算法可以从以上几个方面综合考虑。

2.2 聚类方法的数据结构

基于内存的聚类算法有以下两种代表性的数据结构：

数据矩阵（对象与变量结构）：它用p个变量表现n个对

（1）        象，这种数据结构是关系表的形式，或看成n×p的矩阵。

x11 … x 1f … x1p  :   :  :   :  : xi1 … xif  … xip  :  :   :   :  : xn1 … xnf … xnp

 

（2）        相异度矩阵（对象-对象结构）：存储n个对象两两之间的近似性，表现形式是一个n×n维的矩阵。

 

 

0 d（2，1） 0 d（3，1） d（3，2） 0    :        :        : d（n，1） d（n，2） … … 0

 

这里d（i，j）是对象i和对象j之间相异性的量化表示，通常为非负值，当两个对象i，j越相似，其值越接近0；反之，则值越大。

2.2.1 区间标度变量

    区间标度变量是一个粗略线性标度的连续变量。用来计算相异度d（i，j），其距离度量包括欧几里德距离，曼哈坦距离和明考斯基距离。

    首先实现数据的标准化，给定一个变量f的度量值，可以进行一下转化：

（1）计算平均的绝对偏差S_f：

S_f  = （|x_1f-m_f|+|x_2f-m_f|+……+|x_nf-m_f|）/n

这里x_1f，……，x_nf是f的n个度量值，m_f是f的平均值。

（2）计算标准化的度量值：

Z_if = （x_if-m_f）/s_f