《数据挖掘与机器学习》 课件7.2.2 DBSCAN聚类、构建新闻文本聚类模型.pptx

8南宁职业技术学

院

NCVTNANNINGCOLLEGEFORVOCATIONALTECHNOLOGY

厨

数据挖掘与机器学习

DATAMININGA°NDMACHINELEARNING

构建新闻文本聚类模型

新闻文本聚类——聚类分析

构建新闻文本聚类模型

任务描述

聚类是针对给定的样本，依据它们特征的相似度或度量，将其归并到若干个“类”或“簇”

的数据分析问题。

一个类是样本的一个子集。直观上，相似的样本聚集在相同的类，不相似的样本分散在不

同的类。

新闻文本聚类是将大量新闻文本根据其相似性划分到不同的类别中，以便更好地理解和分

析这些文本。

本任务将使用K-Means算法和DBSCAN算法，对任务7.1中处理好的文本进行聚类分析并进

行可视化展示。

构建新闻文本聚类模型

任务要求

使用sklearn库构建K-Means模型。

使用sklearn库构建DBSCAN模型。

使用Matplotlib库实现结果的可视化。

Part1相关知识

·K-Means

·DBSCAN

构建新闻文本聚类模型

DBSCAN

DBSCAN是一种基于密度的聚类算法，与K-Means聚类算法不同，它不需

要预先指定聚类的数量。

相反，DBSCAN通过将数据点分为核心点、边界点和噪声点，从而发现任

意形状的簇。

构建新闻文本聚类模型

DBSCAN

在DBSCAN中，每个数据点都有两个重要的参数：邻域半径(r)和最小点

数(k)。

N(x;)为x;的一个邻域，r为邻域半径。邻域半径决定了一个点周围的范围，而

最小点数是确定一个点是核心点的最小邻居数。

核心点是在其邻域内至少有k个数据点的数据点，而边界点是邻域内少于k个

数据点但位于核心点邻域中的数据点。噪声点是不属于任何簇的点。

N(x₁)={x;|dist(x,,x,)≤r}

构建新闻文本聚类模型

DBSCAN

DBSCAN的算法是一个遍历的过程，过程如下。

噪声点

首先随机选择一个未被访问的数据点，并找到

其邻域内的所有点。

如果该点的邻域内有至少k个点，则将该点标记

为核心点，并将其邻域内的所有点加入该簇中，

并将邻域内所有点标记为已访问。

如果该点的邻域内少于k个点，则将该点标记为

噪声点。

核心点

构建新闻文本聚类模型

DBSCAN

DBSCAN的算法是一个遍历的过程，过程如下。

首先随机选择一个未被访问的数据点，并找到

其邻域内的所有点。

如果该点的邻域内有至少k个点，则将该点标记

为核心点，并将其邻域内的所有点加入该簇中，

并将邻域内所有点标记为已访问；如果该点的

邻域内少于k个