Canopy聚类算法是一个将对象分组到类的简单、快速、精确地方法。每个对象用多维特征空间里的一个点来表示。这个算法使用一个快速近似距离度量和两个距离阈值
T1>T2来处理。基本的算法是,从一个点集合开始并且随机删除一个,创建一个包含这个点的Canopy,并在剩余的点集合上迭代。对于每个点,如果它的距离第一个点的距离小于T1,然后这个点就加入这个聚集中。除此之外,如果这个距离
Canopy算法其实本身也可以用于聚类,但它的结果可以为之后代价较高聚类提供帮助,其用在数据预处理上要比单纯拿来聚类更有帮助。Canopy聚类经常被用作更加严格的聚类技术的初始步骤,像是K均值聚类。建立canopies之后,可以删除那些包含数据点数目较少的canopy,往往这些canopy是包含孤立点的。
Canopy算法的步骤如下:
(1) 将所有数据放进list中,选择两个距离,T1,T2,T1>T2
(2)While(list不为空)
{
随机选择一个节点做canopy的中心;并从list删除该点;
遍历list:
对于任何一条记录,计算其到各个canopy的距离;
如果距离
如果距离
如果到任何canopy中心的距离都>T1,那么将这条记录作为一个新的canopy的中心,并从list中删除这个元素;
}
需要注意的是参数的调整:
当T1过大时,会使许多点属于多个Canopy,可能会造成各个簇的中心点间距离较近,各簇间区别不明显;
当T2过大时,增加强标记数据点的数量,会减少簇个个数;T2过小,会增加簇的个数,同时增加计算时间;
下面用Java来简单实现算法,考虑简单,点只用了二维。
public class CanopyBuilder { private double T1 = 8; private double T2 = 4; private List points = null; private List canopies = null; public CanopyBuilder() { init(); } public void init() { points = new ArrayList(); points.add(new Point(8.1, 8.1)); points.add(new Point(7.1, 7.1)); points.add(new Point(6.2, 6.2)); points.add(new Point(7.1, 7.1)); points.add(new Point(2.1, 2.1)); points.add(new Point(1.1, 1.1)); points.add(new Point(0.1, 0.1)); points.add(new Point(3.0, 3.0)); canopies = new ArrayList(); } //计算两点之间的曼哈顿距离 public double manhattanDistance(Point a, Point b) {
return Math.abs(a.getX() - b.getX()) Math.abs(a.getY() - b.getY());
}