数据挖掘--聚类分析

聚类分析的算法可以分为以下几大类：划分法、层次法、基于网格的方法、基于密度的方法和基于模型的方法。以下是集中常见聚类分析的基本思想：

1. 划分法（partitioning methods）

          给定一个由n远足或数据组成的数据集，划分法将构造k个分组，每一个分组代表一个聚类，k<=n。

         同时k个分组必须满足以下几个条件：

         ① 每个分组至少包含一个数据对象；

         ② 每个数据记录属于且仅属于一个分组（在某些模糊聚类算法中可以放宽）；

         对于给定的参数k，算法首先给出一个初始分组方法，使得每次改进之后的分组方法都较前一次好，而好的一般标准是：同一分组中记录越近越好，而不同方案中记录越远越     好。使用这个基本思想的算法有k-means，k-medoids，CLARANCE。

2. 层次法（hierarchical methods）

         对给定的数据集进行层次分解，直到某种条件满足为止。

         代表算法有：BIRCH算法、CURE算法、CHAMELEON算法。

3. 基于密度的方法（density-based methods）

        不是基于各种距离，而是基于密度。

        代表算法：DBSCAN算法、OPTICS算法、基于分析密度函数值分布的聚类对象算法。

4. 基于网格的算法（grid-based methods）

        首先将数据空间划分成为有限个单元的网格结构，所有的处理都以单个的单元为对象。

        代表算法：STING算法、CLIQUE算法、Wave-Cluster算法。

5. 基于模型的方法（model-based methods）

         给每一个聚类假定一个模型，然后去寻找数据对给定模型的最佳拟合。目标数据集是由一系列的概率分布所决定，通常包括统计的方案和神经网络的方案。

典型的聚类过程主要包括：数据准备、特征选择和提取、近似度计算、聚类、对聚类结果进行有效性评估等步骤。