淺談聚類分析的幾種算法_數(shù)據分析師考試

聚類分析指將物理或抽象對象的集合分組為由類似的對象組成的多個類的分析過程，其目的是在相似的基礎上收集數(shù)據來分類。隨著數(shù)據的發(fā)展，聚類技術也得到了發(fā)展。聚類分析簡單直觀，在現(xiàn)在的數(shù)據挖掘分析中被普遍應用。比如醫(yī)療行業(yè)經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?？?，調整發(fā)展戰(zhàn)略提供決策依據等。

作為數(shù)據挖掘中很活躍的一個研究領域，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、基于網格方法和基于模型方法。

【K-means算法】

首先從n個數(shù)據對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據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 后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數(shù)開始收斂為止。一般都采用均方差作為標準測度函數(shù). k個聚類具有以下特點：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算法結合了K-means方法和根據K-means方法改進的能處理符號屬性的K-modes方法，同K-means方法比，K-pototypes算法能夠處理符號屬性。

【Fuzzy算法】

首先建立Fuzzy相似矩陣，然后對其進行聚類。目前所見一般分為兩種。

【CLARANS算法】（劃分方法）

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

【BIRCH算法】（層次方法）

核心是用一個聚類特征3元組表示一個簇的有關信息，從而使一簇點的表示可用對應的聚類特征，而不必用具體的一組點來表示。它通過構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行中心、半徑、直徑以及類內、類間距離的運算。

【CURE算法】（層次方法）

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

【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。對于一個類中的每個對象，在其給定半徑的領域中包含的對象不能少于某一給定的最小數(shù)目。