数据挖掘之聚类分析详解（二）-CDA数据分析师官网

热线电话：13121318867

数据挖掘之聚类分析详解（二）

2019-01-16

在上一篇文章中我们给大家介绍了聚类分析的知识以及聚类分析中的部分算法。当然，这些算法都是需要我们掌握的，在这篇文章中我们继续给大家讲解数据挖掘中聚类分析的算法，希望能够给大家带来帮助。

聚类算法有很多，在这里我们给大家讲讲基于层次聚类算法内容，而基于层次的聚类算法有很多，聚类算法中的SBAC算法在计算对象间相似度时，考虑了属性特征对于体现对象本质的重要程度，对于更能体现对象本质的属性赋予较高的权值；而BIRCH算法利用树结构对数据集进行处理，叶结点存储一个聚类，用中心和半径表示，顺序处理每一个对象，并把它划分到距离最近的结点，该算法也可以作为其他聚类算法的预处理过程；BUBBLE算法则把BIRCH算法的中心和半径概念推广到普通的距离空间；BUBBLE-FM算法通过减少距离计算次数，提高了BUBBLE算法的效率；CURE就是采用抽样技术先对数据集D随机抽取样本，再采用分区技术对样本进行分区，然后对每个分区局部聚类，最后对局部聚类进行全局聚类；ROCK也采用了随机抽样技术，该算法在计算两个对象的相似度时，同时考虑了周围对象的影响；CHEMALOEN首先由数据集构造成一个K-最近邻图Gk ,再通过一个图的划分算法将图Gk 划分成大量的子图,每个子图代表一个初始子簇,最后用一个凝聚的层次聚类算法反复合并子簇，找到真正的结果簇。这些算法在数据挖掘中都是十分常见的。

下面我们给大家讲讲基于密度聚类算法，基于密度聚类算法相对要少一些，基于密度聚类算法中的OPTICS算法结合了聚类的自动性和交互性，先生成聚类的次序，可以对不同的聚类设置不同的参数，来得到用户满意的结果；而FDC算法通过构造k-d tree把整个数据空间划分成若干个矩形空间，当空间维数较少时可以大大提高DBSCAN的效率。而DBSCAN算法是一种典型的基于密度的聚类算法，该算法采用空间索引技术来搜索对象的邻域，引入了“核心对象”和“密度可达”等概念，从核心对象出发，把所有密度可达的对象组成一个簇；GDBSCAN算法通过泛化DBSCAN算法中邻域的概念，以适应空间对象的特点。

在这篇文章中我们给大家讲述了很多的聚类分析算法的内容，聚类分析算法的内容有很多，我们由于篇幅原因就给大家介绍到这里了，在下期的文章中我们继续给大家讲述聚类分析的知识。

CDA数据分析师考试相关入口一览（建议收藏）：

▷ 想报名CDA认证考试，点击>>> “CDA报名”