聚类分析在数据挖掘技术中的应用研究

２０１０年１０月总３６７期　聚类分析在数据挖掘技术中的应用研究　郑砚月　（贵州大学计算机科学与信息学院中图分类号：ＴＰ　文献标识码：Ａ　贵州贵阳５５００２５）　文章编号：１００７—０７４５（２０１０）１０—０１４０—０１　摘要：随着数据挖掘技术的广泛应用，数据挖掘所面对的数据对象目趋复杂　聚类研究也面Ｉ临　更多新的内容　和挑战　本文针对数据挖掘ｒ技术，尤其是对聚类分析进行　较为系统的分析和研究。＿一　关越坷　数据挖掘＿象类分衍　。　。　０　。　０　０　数据挖掘『１］在数据库技术和信息领域研究的热点，也是最有发　展前景的主要技术之一。数据挖掘的根本就是统计学，而在统汁方法　中，聚类分析『２１是多元数据分析的三大方法之一，因此聚类分析作为　数据挖掘的核心技术已经成为这个研究领域中一个相当活跃的研究　课题。聚类分析是通过分析事物的特征聚类或分类事物。本文主要分　析数据挖掘领域的聚类分析方法及其代表算法，并从多个方面比较　常用算法的性能，最后详述了数据挖掘中聚类分析的应用。　１、聚类分析研究的热点　聚类结果的有效性　在传统的聚类分析方法中，通常都是只能识别凸形或球形的　簇。对于复杂的簇的识别能力较低。而由于数据库规模的不断增　大，数据库中的簇也变得越来越复杂，在数据库中存在大小、密　度、形状各不相同的簇，而有些簇之间的差别也不明显，怎样去识　别这些簇就是目前要研究的问题。　１．２聚类性能　的簇｛ｘｉ｝（ｉ＝ｌ，２，３…Ｎ），它的聚类特征向量定义为：ＣＦ＝（Ｎ，ＬＳ，ＳＳ）　其中Ｎ为簇中点的个数，ＬＳ反映了簇的重心，用来表示Ｎ个点　，的线性和（∑：　Ｏ　ｉ），ＳＳ反映了类直径的大小，表示数据点的平方和　（∑　Ｏ　ｉ２　ｏ　２．４　ＤＢＳＣＡＮ算法　ＤＢＳＣＡＮ算法能够把足够高密度的区域划分为簇．并能在带有　噪声的空间数据库中发现任意形状的聚类。该算法定义簇为密度相　连的点的最大集合。如果采用空间索引。此算法的计算复杂度为０　（ｎｌｏｇｎ），其中ｎ是数据库中对象数目。否则，计算复杂度为Ｏ（ｎ２），在参　数设置恰当的情况下，ＤＢＳＣＡＮ能够有效的发现任意形状的簇。　２．５　ＳＴＩＮＧ算法　ＳＴＩＮＧ［Ｓ］是一种基于网格的多分辨率聚类技术，它划分空间区　域为矩形单元。对于不同级别的分辨率具有多个级别的矩形单元。　这些矩形单元就形成一个层次结构：将高层的每个单元划分为多　个低一层的单元。能够很容易的从低层单元的计算获得高层单元　的统计参数。因为存储在每个单元中的统计信息提供了单元中的　数据不依赖于查询的汇总信息，Ｓ，Ｉ１ＮＧ的计算是独立于查询的。　ＳＴＩＮＧ的主要优点就是高效率，并且利于并行处理和增量更新。　２．６　Ｃ０ＢＷＥＢ算法　作为机器学习的一种聚类方法．概念聚类方法通常采用统计学的　途径，在决定概念或聚类时使用概率度量。ＣＯＢＷＥＢ算法是以一个分　类树的形式创建层次聚类的，其输入的对象用分类属性值来描述。　３、聚类分析在数据挖掘中的应用　作为数据挖掘的一个功能，聚类分析可以用作得到数据分布　情况的一个独立的工具，用来观察每个簇的特征，集中对特定的　簇做进一步的分析。聚类分析能够作为数据挖掘中其他算法的预　处理过程，这些算法在生成的簇上进行处理。另外还能够用于孤　立点分析。聚类分析在客户分类、基因识别、ＷＷＷ文本分类、空　间数据处理、卫星照片分析、医疗图像自动检测等众多领域都有　着非常广泛的应用。数据挖掘、机器学习、统计学、空间数据库技　术、生物学和市场学的发展推动着聚类分析研究的发展，使聚类　分析成为目前数据挖掘研究的一个热点。　结语　随着数据库规模的不断增大，数据仓库的出现以及互联网的　高速发展，怎样寻找对于数据个数和维数都有很好的可伸缩性的　算法成为目前研究的一个重要的问题　１＿３复杂数据聚类　在聚类分析的新应用中，聚类的对象由传统的数据库中同一模式　的数据变为高维的的数据。还有一些聚类算法的研究不再是建立在数　据空间或降维的基础上来进行，例如：ＲＯＣＫ，ＰＤＤＰ，ＣＬＩＱＵＥ等。　２、数据挖掘领域中常用的聚类算法　２．１　ＣＬＡＲＡＮＳ算法　划分方法『３］中最早提出的算法多数都是对小数据集合非常有　效，而对于大数据集合没有良好的可伸缩性，如ＰＡＭ、ＣＬＡＲＡ是基于　Ｋ一中心点类型的算法，能处理更大的数据集合。ＣＬＡＲＡ算法是不考　虑整个数据集合的，它随机的选择实际数据的一小部分作为样本，用　ＰＡＭ方法从样本中选择中心点。ＣＬＡＲＡＮＳ是ＣＬＡＲＡ算法不像　ＣＬＡＲＡ那样每个阶段选取一个固定样本。而是在搜索的每一步都随机　性的选取一个样本．在替换了一个中心点后得到的聚类结构称为当前　聚类结果的邻居，搜索的邻居点数目被用户定义的一个参数加以限制。　如果找到一个比它更好的邻居，就把中心点移到该邻居节点上，否则把　该点作为局部最小量。然后，再随机选择一个点来寻找另一个局部最　小量。该算法的计算复杂度大约是Ｏ（ｎ２），ｎ是对象的数目。　本文讨论聚类分析的研究热点．并详细介绍了数据挖掘中常　用的聚类算法，分析聚类分析技术在数据挖掘中的广泛应用。　２．２　ＣＵＲＥ算法　ＣＵＲＥ算法选择基于质心和基于代表对象方法之间的中间策　参考文献：　略。该算法首先把每个数据点看成一簇，然后再以一个特定的收　［１１范明、孟小峰译．数据挖掘：概念与技术——聚类分析［Ｍ］．北京：　缩因子向中心“收缩”它们。即合并两个距离最近的代表点的簇。　机械工业出版社，２００７，２５１—３ｏ０．　这种算法把一个簇用多个代表点来表示．使它能够适应非球形的　【２］朱明．数据挖掘［ＭＩ．合肥：中国科学技术大学出版社，２００２，１５４—　　几何形状。其次，收缩因子降底了聚类中噪音的影响，从而使其对　１５７．孤立点的影响更健壮，同时可以识别非球形和大小变化较大的　【３１毛国君、段立娟、王实、石云．数据挖掘原理与算法ｆＭＪ．北京：清　簇。ＣＵＲＥ的复杂度是０（ｎ），ｎ是对象的数目。　华大学出版社，２００６．１５６—１８２．　【４１李浪波．聚类分析在科学数据挖掘中的应用研究【Ｄ］．电子科技大　２．３　ＢＩＲＣＨ算法　ＢＩＲＣＨ［４］是一个综台的层次聚类方法。该算法利用聚类特征　学。２００６．　和聚类特征树ｆＣ　概括聚类描述：对于一个具有Ｎ个ｄ维数据点　［５１周东华．数据挖掘中聚类分析的研究与应用［Ｄ】．天津大学，２００６．　一１４０—