数据挖掘聚类算法一览

数据挖掘聚类算法一览

聚类分析是数据挖掘中的一个很活跃的研究领域，并提出了许多聚类算法。

这些算法可以被分为划分方法、层次方法、基于密度方法、基于网格方法和

基于模型方法。

1 划分方法(PAM:PArtitioning method) 首先创建k个划分，k为要创建的划分个数；然后利用一个循环

定位技术通过将对象从一个划分移到另一个划分来帮助改善划分质量。典型的划分方法包括：

k-means,k-medoids,CLARA(Clustering LARge Application),

CLARANS(Clustering Large Application based upon RANdomized Search).

FCM,

EM(Expectation Maximization):不将对象明显地分到么个簇,而是根据表示隶书可能性的权来分配对象.

2 层次方法(hierarchical method) 创建一个层次以分解给定的数据集。该方法可以分为自上

而下（分解）和自下而上（合并）两种操作方式。为弥补分解与合并的不足，层次合

并经常要与其它聚类方法相结合，如循环定位。典型的这类方法包括：

第一个是;BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies) 方法，它首先利用树的结构对对象集进行

划分；然后再利

用其它聚类方法对这些聚类进行优化。

第二个是CURE(Clustering Using REprisentatives) 方法，它利用固定数目代表对象来表示相应聚类；然后对各聚类按照指定

量（向聚类中心）进行收缩。

第三个是ROCK方法，它利用聚类间的连接进行聚类合并。

最后一个CHEMALOEN，它则是在层次聚类时构造动态模型。

3 基于密度方法，根据密度完成对象的聚类。它根据对象周围的密度（如

DBSCAN）不断增长聚类。典型的基于密度方法包括：GDBSCAN,DBCLASD,DENCLUE(DENsity-based CLUstEring)

DBSCAN(Densit-based Spatial Clustering of Application with Noise):该算法通过

不断生长足够高密

度区域来进行聚类；它能从含有噪声的空间数据库中发现任意形状的聚类。此方法将一个聚类定义

为一组“密度连接”的点集。

OPTICS(Ordering Points To Identify the Clustering Structure):并不明确产生一

个聚类，而是为自动交互的聚类分析计算出一个增强聚类顺序。。

4 基于网格方法，首先将对象空间划分为有限个单元以构成网格结构；然后利

用网格结构完成聚类。

STING(STatistical INformation Grid) 就是一个利用网格单元保存的统计信息进行基

于网格聚类的方法。

CLIQUE(Clustering In QUEst)和Wave-Cluster 则是一个将基于网格与基于密度相结合的方

法。

5 基于模型方法，它假设每个聚类的模型并发现适合相应模型的数据。典型的

基于模型方法包括：

统计方法COBWEB:是一个常用的且简单的增量式概念聚类方法。它的输入对象是采

用符号量（属性-值）对来加以描述的。采用分类树的形式来创建

一个层次聚类。

CLASSIT是COBWEB的另一个版本.。它可以对连续取值属性进行增量式聚

类。它为每个结点中的每个属性保存相应的连续正态分布（均值与方差）；并利

用一个改进的分类能力描述方法，即不象COBWEB那样计算离散属性（取值）

和而是对连续属性求积分。但是CLASSIT方法也存在与COBWEB类似的问题。

因此它们都不适合对大数据库进行聚类处理.

AutoClass:它采用贝叶斯统计分析来估算结果簇的数目.

神经网络方法SOM,LVQ(Learning Vector Quantization)