该博客介绍了一种新的确定数据集最佳聚类数的算法，它结合了层次聚类思想，一次性生成所有可能的划分，通过聚类有效性指标Q(C)选择最佳划分，解决了传统试错过程的不足，尤其适用于大型数据集，且不依赖特定聚类算法。此外，文中还讨论了噪声点和孤立点对聚类结果的影响。
一种新的最佳聚类数确定方法
一种新的最佳聚类数确定方法
摘
要：
为了更有效地确定数据集的聚类数最佳聚类数，提出一种新的确定数据集最佳聚类数
的算法。
该算法借签层次聚类的思想，
一次性地生成所有可能的划分，
然后根据有效性指标选择
最佳的聚类划分，
进而获得最佳聚类数。
理论分析和实验结果证明，
该算法具有良好的性能。
关
键词：
层次聚类；最佳聚类数；聚类有效性指标；聚类
最佳聚类数的判定通常采用一种基于迭代的
trial-and-error
过程
[1]
进行，该过程是在给
定的数据集上，使用不同的参数(通常是聚类数
k
)
,
运行特定的聚类算法
,
对数据集进行不同的
划分，
然后计算每种划分的指标值。
通过比较各个指标值，
其中符合预定条件的指标值所对应的
聚类个数被认为是最佳的聚类数。
实际上，
trial-and-error
过程存在两个不足之处
:(1)
聚类数
k
值的确定对于缺乏丰富聚类分析经验的用户来说是难以准确确定的
[2]
，这需进一步提出寻找更
合理的聚类数
k
的方法<
最低0.47元/天 解锁文章
6091
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
