聚类分析方法的研究与应用综述

聚类分析方法的研究与应用综述
417109070529 李蓉珊
河北地质大学信息工程学院软件工程2017级503班 石家庄 050031
摘要：聚类分析是一种研究如何将相似的事物归为一类,使得组内对象相似，组间对象不同.是研究（样品或指标）分类问题的一种统计分析方法，是数据挖掘的一个重要算法。聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集（subset），这样让在同一个子集中的成员对象都有相似的一些属性。大数据时代，聚类这种无监督学习的算法地位尤为突出。本文章首先介绍聚类分析的基本原理，分别介绍了基于划分、基于密度、基于层次、基于网格和基于模型的聚类方法,对这五种聚类算法的主要思想以及内容进行简单的概述，并根据其特点分析每种聚类的优缺点,最后举例分析不同类型的算法在实际生活中的应用与发展。最后结合聚类分析的性能特点和应用方向，对该聚类分析未来的研究发展方向进行了展望。
关键词：聚类分析；划分；密度；层次；网络；模型；研究与展望
1.引言
聚类分析研究有很长的历史,几十年来,其重要性及与其他研究方向的交叉特性得到人们的肯定。聚类是数据挖掘、模式识别等研究方向的重要研究内容之一，在识别数据的内在结构方面具有极其重要的作用[1]。聚类主要应用于模式识别中的语音识别、字符识别等，机器学习中的聚类算法应用于图像分割和机器视觉，图像处理中聚类用于数据压缩和信息检索。聚类的另一个主要应用是数据挖掘(多关系数据挖掘)、时空数据库应用(GIS 等)、序列和异类数据分析等。此外,聚类还应用于统计科学，值得一提的是,聚类分析对生物学、心理学、考古学、 地质学、地理学以及市场营销等研究也都有重要作用。
聚类分析是一种定量方法，从数据挖掘的角度分为五种：基于划分的聚类方法、基于密度的聚类方法、基于层次的聚类方法、基于网络的聚类方法以及基于模型的聚类方法[2]。无论是从哪个角度看，其基本原则都是：希望簇（类）内的相似度尽可能高，簇（类）间的相似度尽可能低（相异度尽可能高）。这些方法虽然从不同角度使用不同的理论方法研究聚类分析，在实际应用中，聚类的定义通常不精准，最优的定义取决于聚类对象的性质和期望得到的结果[3]。
2.常用聚类方法介绍
2.1 基于划分的聚类方法
基于划分的聚类方法是一种自顶向下的方法，对于给定的 n 个数据对象的数据集 D，将数据对象组织成 k(k≤n) 个分区，其中，每个分区代表一个簇。它是保持簇内对象相似性高，簇外对象差异高。该方法的划分大多是基于距离的，其原理是：首先选择K 个初始聚类中心点；然后数据加入到距离中心点最近中；其次重新计算新类中心点，并作为新的中心点。主要优点是，收敛速度快.主要缺点是，它要求类别数目 k 可以合理地估计，并且初始中心的选择和噪声会对聚类结果产生很大影响。基于划分的聚类方法中主要包括K-Means算法、K-modes算法、PAM算法和CLARA算法等[4]。
K-means算法是经典的基于划分的聚类算法。其核心思想为：在随机选取 K 个簇中心点的基础上，计算样本中其他点与这 K 个簇中心点的距离，实现样本点的分类，分到同一类的样本点再更新簇中心点。由此不断循环直到K个簇中心变。K 个簇中心点是 k-Means 算法中的输入参数，新的簇中心会根据当前分类的簇按照欧拉公式来计算得到。目的是让每个簇内的数据点尽量靠近本簇中心，远离其他簇中心。在迭代计算的时候， k-Means 把每个数据点分配给距离最近的簇中心群， 直至新计算出的簇中心点与上一步生成的簇中心点一致，停止迭代，输出所属类别[5]。其优点有：简单、快速;对于处理大数据集，该算法是相当可伸缩和高效率的，当结果簇是密集的，它的效果较好。缺点为一旦初始值选择的不好，可能无法得到有效的聚类结果,有可能陷入局部最优；需要不断地进行样本分类调整，不断地计算调整后的新的聚类中心，因此当数据量非常大时，算法的时间开销是非常大的；对噪声和孤立点数据敏感[6]。
2.2 基于密度的聚类方法
基于密度的聚类方法是从数据对象分布区域的密度着手的。如果给定类中的数据对象在给定的范围区域中，则数据对象的密度超过某一阈值就继续聚类。选取一个数据作为中心，求出在单位体积内的数据样本的个数，即样本的密度，再选定一个阈值，作为高密度区域和低密度区域的筛选标准[7]。只要一个区域中的点的