数据挖掘-聚类分析
聚类分析是一种非监督的学习，分类是一种监督学习，就是用已经知道的类别的训练数据得到一个分类的模型，所以聚类与分类的主要区别在于是否需要预先定义好类别，也就是说聚类分析只是依靠数据本身来确定数据之间的关系的，所以聚类分析有很大的优越性特别是适合处理大量的原始的数据
聚类分析方法的性能指标：1.可扩展性，2，自适应性，3，鲁棒性4，可解释性
聚类使用的数据类是：数据矩阵 相异度矩阵
规范化是在中心化的基础上再做变换，确保变量的变化范围相等，常用的规范化方法有最大值归一化，总和规范化，均值标准差规范化 以及极差规范化
聚类分析方法包括 基于划分的方法 基于分层的方法 基于密度的方法 基于网格的方法 基于模型的方法
连续变量的距离需要满足自反性 对称性 正定性 以及三角不等式等条件，矩阵D是一个对称矩阵，且对角线上的元素是0.
相似系数 应该满足自反性 对称性 归一化 满足三角不等式
基于分割的聚类方法：k-均值算法 k-中心值算法
基于层次的聚了方法采用的是距离作为衡量聚类的标准 距离的度量的方法有：最小距离 最大距离 均值 等
分为自底向上和自顶向下的方法：其中自底向上是将每个对象作为一个簇，通过不断的合并这些基本的簇形成较大的簇，知道满足条件为止
自顶向下是首先将所有的对象看陈是一个簇中的对象，然后根据一定的准则不断的进行分割这个簇形成更小的簇，从而完成聚类
基于密度的聚类 主要饿算法有DBSCAN OPTICS DENCLUE CLIQUE
基于网格的聚类 主要得算法有STING WaveCluster CLIQUE
基于模型的聚类 主要有神经网络方法和统计学方法
版权声明：本文为fxd-address原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。