什么是數據聚類數據聚類的原理
什么是數據聚類數據聚類的原理
數據聚類是對于靜態數據分析的一門技術，在許多領域受到廣泛應用，包括機器學習，數據挖掘，模式識別，圖像分析以及生物信息。那么你對數據聚類了解多少呢?以下是由學習啦小編整理關于什么是數據聚類的內容，希望大家喜歡!
數據聚類的基本原理
聚類是把相似的對象通過靜態分類的方法分成不同的組別或者更多的子集(subset)，這樣讓在同一個子集中的成員對象都有相似的一些屬性，常見的包括在坐標系中更加短的空間距離等。一般把數據聚類歸納為一種非監督式學習。
數據聚類的類型
數據聚類算法可以分為結構性或者分散性。結構性算法利用以前成功使用過的聚類器進行分類，而分散型算法則是一次確定所有分類。結構性算法可以從上之下或者從下至上雙向進行計算。從下至上算法從每個對象作為單獨分類開始，不斷融合其中相近的對象。而從上之下算法則是把所有對象作為一個整體分類，然后逐漸分小。
結構性
距離測量
在結構性聚類中，關鍵性的一步就是要選擇測量的距離。一個簡單的測量就是使用曼哈頓距離，它相當于每個變量的絕對差值之和。該名字的由來起源于在紐約市區測量街道之間的距離就是由人步行的步數來確定的。一個更為常見的測量是歐式空間距離，他的算法是找到一個空間，來計算每個空間中點到原點的距離，然后對所有距離進行換算。
創建聚類
在已經得到距離值之后，元素間可以被聯系起來。通過分離和融合可以構建一個結構。傳統上，表示的方法是樹形數據結構，然后對該結構進行修剪。
分散性
K-均值法及衍生算法
K-均值法聚類 K-均值算法表示以空間中k個點為中心進行聚類，對最靠近他們的對象歸類。
例如: 數據集合為三維，聚類以兩點: X = (x1, x2, x3) and Y = (y1, y2, y3). 中心點Z 變為 Z = (z1, z2, z3), where z1 = (x1 + y1)/2 and z2 = (x2 + y2)/2 and z3 = (x3 + y3)/2. 算法歸納為 (J. MacQueen, 1967):
選擇聚類的個數k. 任意產生k個聚類，然后確定聚類中心，或者直接生成k個中心。 對每個點確定其聚類中心點。 再計算其聚類新中心. 重復以上步驟直到滿足收斂要求。(通常就是確定的中心點不再改變). 該算法的最大優勢在于簡潔和快速。劣勢在于對于一些結果并不能夠滿足需要，因為結果往往需要隨機點的選擇非常巧合。
看過“數據聚類的原理”的人還看了：
4.個人知識管理工具