多維數據集聚類算法研究與實現.pdf

1、聚類分析在數據挖掘理論和應用中都是一個非常必要的部分,是一種數據劃分或分組處理的重要手段和方法.到目前為止,已有大量的數據挖掘聚類算法被提出來,其中很多聚類算法都有非常成功的應用.但是,它們主要繼承多元統計分析學和模糊數學的結論,即主要是基于距離和閾值的各種聚類算法和改進算法.很多時候需要人為干預,需要行業(yè)知識、領域專家等因素的介入,大多數算法對混合型屬性數據力不從心.尤其在商務決策、市場分析、刑偵破案、知識發(fā)現、生物學、Web文檔分類

2、等領域,需要新的適合于混合型屬性數據的聚類算法,該課題就是在此背景下被提出來.論文首先研究了具有代表性幾種多維聚類算法,比如,硬聚類劃分、軟聚類劃分和可能性聚類.這些算法一般最終都必須引入一個閾值才能確定類別,而實際上,這種閾值往往沒有一個標準,這為用戶增加了靈活性,但也增大了它的隨意性,這正是此類算法的缺點所在.為此,提出了新的基于劃分的聚類算法,該算法基于這樣的核心思想:具有許多相同主要屬性的有效集合是比較相近的,大致可以劃分一類,

3、即"并發(fā)最大化原理";同時,對于某個特殊屬性(標記)具有相同值的集合之間可能存在很大的相似性.即"類標最小化原理";明確屬于某個集合的子集,與原集合是一類的.但數據庫(數據倉庫)中的元組,可能同時屬于多個集合,這正是算法的難點所在.該文利用求關聯規(guī)則中的頻繁項目集的算法作為輔助手段,來判斷子集最大可能隸屬于的集合,即"隸屬度原理";以及子集合與父集合之間的繼承關系,即"繼承原理".該算法主要基于以上幾個基本原理,實現半模糊化聚類.通過理