canopy算法流程_Canopy算法聚类

Canopy一般用在Kmeans之前的粗聚类。考虑到Kmeans在使用上必须要确定K的大小，而往往数据集预先不能确定K的值大小的，这样如果 K取的不合理会带来K均值的误差很大(也就是说K均值对噪声的抗干扰能力较差)。总之基于以下三种原因，选择利用Canopy聚类做为Kmeans的前奏 比较科学、也是Canopy的优点。

一、canopy算法的优缺点

Canopy的优点：

1、Kmeans对噪声抗干扰较弱，通过Canopy对比较小的NumPoint的Cluster直接去掉 有利于抗干扰。

2、Canopy选择出来的每个Canopy的centerPoint作为Kmeans比较科学。

3、只是针对每个Canopy的内容做Kmeans聚类，减少相似计算的数量。

Canopy的缺点：算法中 T1、T2(T2 < T1) 的确定问题 (在并行计算上Maper的T1、T2 可以和Raduce的T1、T2不同)

二、canopy聚类过程

while D is not empty

select element d from D to initialize canopy c

remove d from D

Loop through remaining elements in D

if distance between d_i and c < T1 : add element to the canopy c

if distance between d_i and c < T2 : remove element from D

end

add canopy c to the list of canopies C

end