淺談聚類分析的幾種算法_數(shù)據(jù)分析師考試

聚類分析指將物理或抽象對(duì)象的集合分組為由類似的對(duì)象組成的多個(gè)類的分析過程，其目的是在相似的基礎(chǔ)上收集數(shù)據(jù)來分類。隨著數(shù)據(jù)的發(fā)展，聚類技術(shù)也得到了發(fā)展。聚類分析簡(jiǎn)單直觀，在現(xiàn)在的數(shù)據(jù)挖掘分析中被普遍應(yīng)用。比如醫(yī)療行業(yè)經(jīng)常使用聚類分析方法區(qū)分出高收益病種，為醫(yī)療資源的合理配置、醫(yī)院選定特色專科，調(diào)整發(fā)展戰(zhàn)略提供決策依據(jù)等。

作為數(shù)據(jù)挖掘中很活躍的一個(gè)研究領(lǐng)域，聚類分析有多種算法。傳統(tǒng)的聚類算法可以被分為五類：劃分方法、層次方法、基于密度方法、基于網(wǎng)格方法和基于模型方法。

【K-means算法】

首先從n個(gè)數(shù)據(jù)對(duì)象任意選擇 k 個(gè)對(duì)象作為初始聚類中心；而對(duì)于所剩下其它對(duì)象，則根據(jù)它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然 后再計(jì)算每個(gè)所獲新聚類的聚類中心（該聚類中所有對(duì)象的均值）；不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測(cè)度函數(shù)開始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測(cè)度函數(shù). k個(gè)聚類具有以下特點(diǎn)：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。

【K-pototypes算法】

K-pototypes算法結(jié)合了K-means方法和根據(jù)K-means方法改進(jìn)的能處理符號(hào)屬性的K-modes方法，同K-means方法比，K-pototypes算法能夠處理符號(hào)屬性。

【Fuzzy算法】

首先建立Fuzzy相似矩陣，然后對(duì)其進(jìn)行聚類。目前所見一般分為兩種。

【CLARANS算法】（劃分方法）

CLARANS算法即隨機(jī)搜索聚類算法，是一種分割聚類辦法。它首先隨機(jī)選擇一個(gè)點(diǎn)作為當(dāng)前點(diǎn)，然后隨機(jī)檢查它周圍不超過參數(shù)Max neighbor個(gè)的一些鄰接點(diǎn)，假如找到一個(gè)比它更好的鄰接點(diǎn)，則把它移入該鄰接點(diǎn)，否則把該點(diǎn)作為局部最小量。然后在隨機(jī)選擇一個(gè)點(diǎn)來尋找另一個(gè)局部最小量，直到找到的局部最小量書目達(dá)到用戶要求為止。

【BIRCH算法】（層次方法）

核心是用一個(gè)聚類特征3元組表示一個(gè)簇的有關(guān)信息，從而使一簇點(diǎn)的表示可用對(duì)應(yīng)的聚類特征，而不必用具體的一組點(diǎn)來表示。它通過構(gòu)造滿足分支因子和簇直徑限制的聚類特征樹來求聚類。BIRCH算法通過聚類特征可以方便地進(jìn)行中心、半徑、直徑以及類內(nèi)、類間距離的運(yùn)算。

【CURE算法】（層次方法）

CURE算法即使用代表點(diǎn)的聚類方法。該算法先把每個(gè)數(shù)據(jù)點(diǎn)看成一類，然后合并距離最近的類直到類個(gè)數(shù)為所要求的個(gè)數(shù)為止。CURE算法將傳統(tǒng)對(duì)類的表示方法進(jìn)行了改進(jìn)，回避了用所有點(diǎn)或用中心和半徑來表示一個(gè)類，而是從每一個(gè)類中抽取固定數(shù)量、分布較好的點(diǎn)作為描述此類的代表點(diǎn)，并將這些點(diǎn)乘以一個(gè)適當(dāng)?shù)氖湛s因子，使它們更靠近類的中心點(diǎn)。將一個(gè)類用代表點(diǎn)表示，使類的外延可以向非球形的形狀擴(kuò)展將其表達(dá)。

【DBSCAN算法】（基于密度的方法）

利用類的密度連通性可以快速發(fā)現(xiàn)任意形狀的類。對(duì)于一個(gè)類中的每個(gè)對(duì)象，在其給定半徑的領(lǐng)域中包含的對(duì)象不能少于某一給定的最小數(shù)目。