數(shù)據(jù)挖掘中的分類和聚類

分類(classification )：有指導(dǎo)的類別劃分，在若干先驗(yàn)標(biāo)準(zhǔn)的指導(dǎo)下進(jìn)行，效果好壞取決于標(biāo)準(zhǔn)選取的好壞。

它找出描述并區(qū)分?jǐn)?shù)據(jù)類或概念的模型(或函數(shù))，以便能夠使用模型預(yù)測(cè)類標(biāo)記未知的對(duì)象類。分類分析在數(shù)據(jù)挖掘中是一項(xiàng)比較重要的任務(wù), 目前在商業(yè)上應(yīng)用最多。分類的目的是學(xué)會(huì)一個(gè)分類函數(shù)或分類模型(也常常稱作分類器),該模型能把數(shù)據(jù)庫中的數(shù)據(jù)項(xiàng)映射到給定類別中的某一個(gè)類中。分類和回歸都可用于預(yù)測(cè)，兩者的目的都是從歷史數(shù)據(jù)紀(jì)錄中自動(dòng)推導(dǎo)出對(duì)給定數(shù)據(jù)的推廣描述，從而能對(duì)未來數(shù)據(jù)進(jìn)行預(yù)測(cè)。與回歸不同的是，分類的輸出是離散的類別值，而回歸的輸出是連續(xù)數(shù)值。二者常表現(xiàn)為決策樹的形式，根據(jù)數(shù)據(jù)值從樹根開始搜索，沿著數(shù)據(jù)滿足的分支往上走，走到樹葉就能確定類別。

要構(gòu)造分類器，需要有一個(gè)訓(xùn)練樣本數(shù)據(jù)集作為輸入。訓(xùn)練集由一組數(shù)據(jù)庫記錄或元組構(gòu)成，每個(gè)元組是一個(gè)由有關(guān)字段(又稱屬性或特征)值組成的特征向量，此外，訓(xùn)練樣本還有一個(gè)類別標(biāo)記。一個(gè)具體樣本的形式可表示為：（v1,v2,...,vn; c)；其中vi表示字段值，c表示類別。分類器的構(gòu)造方法有統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法等等。不同的分類器有不同的特點(diǎn)。有三種分類器評(píng)價(jià)或比較尺度：1)預(yù)測(cè)準(zhǔn)確度；2)計(jì)算復(fù)雜度；3)模型描述的簡潔度。預(yù)測(cè)準(zhǔn)確度是用得最多的一種比較尺度，特別是對(duì)于預(yù)測(cè)型分類任務(wù)。計(jì)算復(fù)雜度依賴于具體的實(shí)現(xiàn)細(xì)節(jié)和硬件環(huán)境，在數(shù)據(jù)挖掘中，由于操作對(duì)象是巨量的數(shù)據(jù)，因此空間和時(shí)間的復(fù)雜度問題將是非常重要的一個(gè)環(huán)節(jié)。對(duì)于描述型的分類任務(wù)，模型描述越簡潔越受歡迎。另外要注意的是，分類的效果一般和數(shù)據(jù)的特點(diǎn)有關(guān)，有的數(shù)據(jù)噪聲大，有的有空缺值，有的分布稀疏，有的字段或?qū)傩蚤g相關(guān)性強(qiáng)，有的屬性是離散的而有的是連續(xù)值或混合式的。目前普遍認(rèn)為不存在某種方法能適合于各種特點(diǎn)的數(shù)據(jù)。

聚類(clustering)：沒有先驗(yàn)標(biāo)準(zhǔn)，完全依靠事先的聚類原則（距離，近鄰等），進(jìn)行類別劃分，效果好壞取決于聚類原則的選取。

是指根據(jù)“物以類聚”的原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組數(shù)據(jù)對(duì)象的集合叫做簇，并且對(duì)每一個(gè)這樣的簇進(jìn)行描述的過程。它的目的是使得屬于同一個(gè)簇的樣本之間應(yīng)該彼此相似，而不同簇的樣本應(yīng)該足夠不相似。與分類規(guī)則不同，進(jìn)行聚類前并不知道將要?jiǎng)澐殖蓭讉€(gè)組和什么樣的組，也不知道根據(jù)哪些空間區(qū)分規(guī)則來定義組。其目的旨在發(fā)現(xiàn)空間實(shí)體的屬性間的函數(shù)關(guān)系，挖掘的知識(shí)用以屬性名為變量的數(shù)學(xué)方程來表示。當(dāng)前，聚類技術(shù)正在蓬勃發(fā)展，涉及范圍包括數(shù)據(jù)挖掘、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、空間數(shù)據(jù)庫技術(shù)、生物學(xué)以及市場營銷等領(lǐng)域，聚類分析已經(jīng)成為數(shù)據(jù)挖掘研究領(lǐng)域中一個(gè)非?；钴S的研究課題。常見的聚類算法包括：K-均值聚類算法、K-中心點(diǎn)聚類算法、CLARANS、BIRCH、CLIQUE、DBSCAN等。
       通常，為有監(jiān)督分類提供若干已標(biāo)記的模式(預(yù)分類過)，需要解決的問題是為一個(gè)新遇到的但無標(biāo)記的模式進(jìn)行標(biāo)記。在典型的情況下，先將給定的無標(biāo)記的模式用來學(xué)習(xí)〔訓(xùn)練)，反過來再用來標(biāo)記一個(gè)新模式。聚類需要解決的問題是將已給定的若千無標(biāo)記的模式聚集起來使之成為有意義的聚類。從某種意義上說，標(biāo)記也與聚類相關(guān)，但這些類型的標(biāo)記是由數(shù)據(jù)驅(qū)動(dòng)的，也就是說，只是從數(shù)據(jù)中得到這些標(biāo)記。聚類與數(shù)據(jù)挖掘中的分類不同，在分類模塊中，對(duì)于目標(biāo)數(shù)據(jù)庫中存在哪些類是知道的，要做的就是將每一條記錄分別屬于哪一類標(biāo)記出來:與此相似但又不同的是，聚類是在預(yù)先不知道目標(biāo)數(shù)據(jù)庫到底有多少類的情況下，希望將所有的記錄組成不同的類或者說“聚類”，并且使得在這種分類情況下，以某種度量為標(biāo)準(zhǔn)的相似性，在同一聚類之間最小化，而在不同聚類之間最大化。事實(shí)上，聚類算法中很多算法的相似性都是基于距離的，而且由于現(xiàn)實(shí)數(shù)據(jù)庫中數(shù)據(jù)類型的多樣性，關(guān)于如何度量兩個(gè)含有非數(shù)值型字段的記錄之間的距離的討論有很多，并提出了相應(yīng)的算法。在很多應(yīng)用中，聚類分析得到的每一個(gè)類中的成員都可以被統(tǒng)一看待。