1 层次聚类
层次聚类一开始将每个点都看成一个簇,然后合并簇。
对于层次聚类算法,必须提前确定:
(1) 簇如何表示?(簇心代表簇
(2) 如何选择哪两个簇进行合并?(最小欧式距离合并
(3) 簇合并何时结束?(簇的数量
1.1 效率
普通的方法实践复杂度为 O(n^3)
当采用优先级队列的时候,以空间换时间,时间复杂度为 O(n^2 logn)
1.2 控制层次聚类的规则
- 定义两个簇的距离为两个簇中所有点之间的最短距离;
- 定义两个簇的距离为两个簇中所有点对之间的距离的平均值,其中计算距离的两个点分别来自不同的簇。n * m个点对;
- 簇的半径(radius)是指簇内所有点到质心的最大距离。我们可以将结果簇具有最小半径的两个簇进行合并;
- 簇的直径(diameter)是指簇内任意两个点之间的最大距离,将结果簇具有最小直径的两个簇进行合并。
1.3 非欧空间的距离测量
- Jaccard 距离
- 余弦距离
- 编辑距离
2 K-means 算法
分配类算法,将点分配到簇中。
算法步骤
- 初始化 k 个数量的簇心(彼此距离尽可能远)
- 计算所有点到簇心的距离,一次将一个距离最小的点分配到簇中,更新簇心,并不断迭代
- 直到所有点都归类到簇
3 BFR 算法
BFR 用 K-means 算法来初始化 k 个点,数据文件中的点以组块的方式读入。除了组块还包括其他三种对象
(1)废弃集(Discard Set):废弃集中所有的点与质心足够接近,形成了一个簇,因此将点废弃,只保留这些簇的概要信息。
(2)压缩集(Compressed Set):压缩集中的点相互接近,但并不接近任何一个已存在的质心,基本可以理解为没有质心,也不算做是簇,存放的也是这些点的概要信息,因为不是簇,所以只是点集的概要而不是簇的概要。
(3)留存集(Retained Set):一些孤立点,既不能被分配给某个簇,也不会和其他点足够接近而被放到压缩集中,这些点会显示的存在。
算法步骤:
- 首先,充分接近某个簇质心的点会被加到该簇中;(更新废弃集)
- 对于那些并不充分接近任意簇质心的点,将它们与留存集中的点一起聚类,通常采用基于内存的聚类算法,多于一个点的簇会被概括表示并加入到压缩集(迷你簇),剩余的单点簇则表示为点的留存集;
- 压缩集迷你簇和新的迷你簇(迷你簇含有互相接近,但是不接近于任何簇的点)之间可以进行合并;
- 不在留存集中的点,会和分配结果一起写到二级存储上;
- 如果输入是数据的最后一个组块,完成后必须对压缩集和存留集进一步处理,可以将其看作离群点,可以将留存集每个点分配给质心离它最近的那个簇,也可以将每个迷你簇与那个质心离它最近的簇合并。
4 CURE 算法
CURE 算法可用于大规模数据聚类
算法步骤
- 抽取一部分样本数据在内存中进行聚类;
- 从每个簇中选择一小部分点集作为簇的代表点(可以用 K-means 算法来选择点;
- 对每个代表点移动一段距离,该距离是其位置到簇质心的距离乘以一个固定的比例。
5 非欧空间下的聚类
5.1 GRGPF 算法
GRGPF算法同时采用了层次聚类和点分配聚类的思想,同时试图将所有簇组织成树状的层次结构,因此一个新的点可以通过树遍历方式分配到合适的簇中。树的叶节点中保存了某些簇的概要表示,而内部节点保存了经该节点能够到达的簇的描述信息的子集。
令 ROWSUM§ 为 p 到簇中所有其他点的距离平方和
由以下特征构成簇的表示
(1) 簇中点的数目N。
(2) 簇的中心点,这里的具体定义为簇中到所有其他点的距离平方和最小的那个点。也就是说,簇的中心点是具有最小ROWSUM值的簇内点。
(3) 簇中心点的ROWSUM值。
(4) 对于某个选定的常数k, 离簇的中心点最近的K个点及其ROWSUM值。当新的点加入到簇引起中心点变化时,这些点是表示的一部分。这里的假设是,新的中心点是离旧的中心点最近的k个点中的一个。
(5) 离中心点最远的K个点及其ROWSUM值。这些点是表示的一部分,我们可以基于这些点来考虑两个簇是否近到足以合并。这里的假设是,如果两个簇互相接近,那么远离其各自中心点的一对点互相接近。