资料群聚性之研究 中央大学管理学院.pdf

資料群聚性之研究

指導教授:陳彥良博士

撰寫人:許昌齡

問題的說明與定義

群聚(clustering)是把有形或抽象的物件歸類到類似物件的類別的過程；將

類似物件集合成同群，不同群物件的集合不相似，群聚與分類最大不同是，群聚

不預先知道類別標籤，而把資料歸類成新類別[Han2000]。例如它可透過數學方

法來尋找空間物件的相似性，而分析最終目的是將資料進行分類的工作。

群聚方法的典型需求如下[Han2000]:

需要極少領域知識去決定輸入參數。

有處理不同型態屬性的能力。

高維度。

發現任何形狀群聚。

處理雜值的能力。

延展性:有效率地處理大型資料庫。

可解釋性:透過這模型所能了解和洞察的水準。

限制基礎(constraint-based)群聚。

它有那些的應用

群聚法廣泛地應用在許多領域，例如模式識別，資料分析，和圖像處理。例

如市場分析領域，分群基於顧客購買模式[Han2000]。

目前的研究現況，有那些議題已經被討論了，結果如何

目前的研究依方法分類有下列五種，茲探討如下:

分割方法(Partitioning)

此種為亦稱非層次化方法，目標通常是將資料分割到類似小組裡，創造分群

的集合。K-means[MacQueen67]企圖把一套資料分成子集，因此在給定的子集之

內指向在對其他子集的成員顯著地不同時對彼此有一定程度的相似之處。這樣的

子集通常叫作一分群，它優點是很快速。

K-means的步驟由使用者設定要找多少個群組，設要找K個群組在資料庫

中以亂數找出K個點來當作初始的質心，驗證這K個點是否為最後之質心，如果

是則完成，如果否則繼續尋找，直到都符合為止。

k-medoids[Kaufman90]在處理noise及outlier較k-means健全。k-mode

[Huang98]擴展k-means透過使用對於categoricalobject簡單相匹配不相似性測

量。K-prototypes[Huang98]整合K-means及k-modes能針對numeric及

cate-gorical值作群聚。

CLARANS(ClusteringLargeApplicationsBaseduponRandomizedSearch)

[Ng94]起源於兩演算法，PAM(PartitioningAroundMedoids)及

CLARA(Clust-eringLargeApplication)，CLARANS的缺點是被群聚的物體都存

在主記憶體中，因此計算二分群間總距離是昂貴的。Easteretal.[Ester95]

整合R*tree[Bradly98]去改善CLARANS的效能。

階層方法(Hierarchical)

涉及將資料組織到大群組裡，大群組裡含有更小的群組並且依此類推，此

種群聚過程稱之。以歐式距離(Euclideandistance)計算相似度，方法分成凝聚

法(agglomerative)為bottomup及分散法(divise)為topdown。

BIRCH(BalancedIterativeReducingandClustering)[Zhang96]提出

ClusteringFeature(CF)及CF樹概念，CF代表子分群，動態建一平衡壓縮的

CF樹然後對葉節點群聚，焦點在以代表物體減少考慮的物體的數目，集中於有關

分群和一分群擁有貢獻物體可減短查詢。CF樹與CLARANS合用有不錯的效能。

傳統群聚法最喜歡球狀和類似的分群尺寸，或對於outliers易破碎。CURE

[Guha98]能處理非球形的形狀和變化尺寸，對於outliers較健全，它不處理

categorical屬性，忽視兩不同分群物件間的聚集(aggregate)互連的資訊。而

ROCK[Guha99]處理categorical屬性，基於互連度而合併兩分群，當強調互連

時，忽視兩不同分群的相似資訊。Chameleon[Karypis99]使用動態模式，主要改

善CURE及ROCK的上述缺點。

密度基礎方法(density-based)

DBSCAN[Ester96]它將含有雜訊之空間資料，選出高密度區域為任何形狀之

分