一个基于K-means的聚类算法的实现.pdfVIP

CD=1 !!0 ED1 % !2 年# 月0 0 0 0 0 0 0 0 0 FD?.-= DG HI,: J./9:99, GD? E-9:D.-=:9:,/（E-9?-= KB:,.B, LM:9:D. ）0 0 0 0 0 0 0 0 0 4-?1 !2 一个基于* $ +,-./ 的聚类算法的实现 % ! 谭0 勇 ，荣秋生 （%1 湖北民族学院信息工程学院，湖北恩施223 ； !1 湖南文理学院计算机科学与技术系，湖南常德2%3 ） 摘要：聚类算法作为数据挖掘中的一种分析方法，它能找到样本比较密集的部分，并且概括出样本相对比较集 中的区域1 分析了传统的聚类算法及局限性，讨论了一个基于* $ +,-./ 算法的实现过程，使得算法可处理存在孤 立点的大文档集，得到最佳的聚类结果1 关键词：数据挖掘；聚类；* $ 4,-./ % $ (’ $ # 中图分类号：56#%% 文献标识码：7 文章编号：%) $ )2!#（!2 ） 随着数据挖掘研究领域技术的发展，作为数据挖掘主要方法之一的聚类算法，也越来越受到人们的关 注 ［%］ 1 数据挖掘（8-9- 4:.:.; ） ，也称知识发现（*88 ），是从数据库中便捷地抽取出以前未知的、隐含的、有用 的信息，所挖掘出来的知识可应用于信息管理、决策支持、过程控制和其它许多方面1 所谓聚类（=/9,? ），就 是把大量的! 维数据样本聚集成@ 个类，使同一类中样本的相似性最大，而不同类中样本的相似性最小1 本文中提出的* $ +,-./ 算法属于聚类方法中一种基本的划分方法，该算法具有较好的可伸缩性和很 高的效率，适合处理大文档集 %0 传统的聚类算法及其局限性 聚类分析作为数据挖掘中的一种分析方法，可以作为一个单独的工具以发现数据库中数据分布的一些 深入的信息，并且概括出每一类的特点，或者把注意力放在某一个特定的类上以作进一步的分析；聚类分析 ［! ，# ］ 也可以作为数据挖掘算法中其他分析算法的一个预处理 目前，已经提出的聚类算法有很多 （% ）分裂法：给定一个有# 个元组或者记录的数据集，构造$ 个分组，每一个分组代表一个聚类（$ A # ） 对于给定的$ ，可以给出一个初始的分组方法，以后通过反复迭代来改变分组，使得每一次改进之后的分组 方案都较前一次好1 （! ）层次法：对给定的数据集进行层次似的分解，直到某种条件满足为止1 初始时每一个数据纪录都组 成一个单独的组，在接下来的迭代中，把那些相互邻近的组合并成一个组，直到所有的记录组成一个分组或 者某个条件满足为止1 （# ）基于网格的方法：首先将数据空间划分成为有限个单元（B,== ）的网格结构，所有的处理都是以单个 的单元为对象的，从而使得处理速度加快1 （2 ）基于模型的方法：给每一个聚类假定一个模型，然后去寻找能够很好的满足这个模型的数据集1 这 样一个模型可能是数据点在空间中的密度分布函数或者其它1 它的一个潜在的假定就是：目标数据集是由一 系列的概率分布所决定的1 通常有两种尝试方向：统计的方案和神经网络的方案1 上述这些算法的缺点在于对样本数据的分布进行了一定的假设，处理大数据集和高维数据集，尤其是对 处理存在孤立点的大文档集时不够有效；另一方面它能发现的聚类个数常常依赖于用户参数的指定，而这对 用户来说是很困难的1 !0 聚类算法描述 聚类算法是在预先不知道目标数据库到底有多少类的情况下，希望将所有的纪录组成不同的类或者说 收稿日期：!# $ % $ ! 万方数据 作者简介：谭勇（%’() $ ），男（土家族），讲师，主要从事计算机网络、数据库、数据挖掘研究工作 O $ $ $ $ $ $ $ 湖北民族学院学报（自然科学版）$