将数据库中的对象进行聚类是聚类分析的基本操作,其准则是使属于同一类的个体间距离尽可能小,而不同类个体间距离尽可能大,为了找到效率高、通用性强的聚 类方法人们从不同角度提出了近百种聚类方法,典型的有K-means方法、K-medoids方法、CLARANS方法,BIRCH方法等,这些算法适用 于特定的问题及用户。本文综合提出了评价聚类算法好坏的5个标准,基于这5个标准,对数据挖掘中常用聚类方法作了比较分析,以便于人们更容易、更快捷地找 到一种适用于特定问题及用户的聚类算法。
聚类算法研究及比较框架
聚类算法一般有五种方法,最主要的是划分方法和层次方法两种。划分聚类算法通过优化评价函数把数据集分割为K个部分,它需要K作为 输人参数。典型的分割聚类算法有K-means算法, K-medoids算法、CLARANS算法。层次聚类由不同层次的分割聚类组成,层次之间的分割具有嵌套的关系。它不需要输入参数,这是它优于分割聚类 算法的一个明显的优点,其缺点是终止条件必须具体指定。典型的分层聚类算法有BIRCH算法、DBSCAN算法和CURE算法等。
对各聚类算法的比较研究基于以下5个标准:
① 是否适用于大数据量,算法的效率是否满足大数据量高复杂性的要求;
② 是否能应付不同的数据类型,能否处理符号属性;
③ 是否能发现不同类型的聚类;
④ 是否能应付脏数据或异常数据;
⑤ 是否对数据的输入顺序不敏感。
下面将在该框架下对各聚类算法作分析比较。