數據挖掘-聚類分析

聚類分析是一種非監督的學習，分類是一種監督學習，就是用已經知道的類別的訓練數據獲得一個分類的模型，因此聚類與分類的主要區別在因而否須要預先定義好類別，也就是說聚類分析只是依靠數據自己來肯定數據之間的關係的，因此聚類分析有很大的優越性特別是適合處理大量的原始的數據

聚類分析方法的性能指標：1.可擴展性，2，自適應性，3，魯棒性4，可解釋性

聚類使用的數據類是：數據矩陣 相異度矩陣  

規範化是在中心化的基礎上再作變換，確保變量的變化範圍相等，經常使用的規範化方法有最大值歸一化，總和規範化，均值標準差規範化 以及極差規範化

聚類分析方法包括 基於劃分的方法 基於分層的方法  基於密度的方法  基於網格的方法 基於模型的方法

連續變量的距離須要知足自反性 對稱性 正定性 以及三角不等式等條件，矩陣D是一個對稱矩陣，且對角線上的元素是0.

類似係數 應該知足自反性 對稱性 歸一化 知足三角不等式  

基於分割的聚類方法：k-均值算法  k-中心值算法

基於層次的聚了方法採用的是距離做爲衡量聚類的標準    距離的度量的方法有：最小距離 最大距離 均值 等

分爲自底向上和自頂向下的方法：其中自底向上是將每一個對象做爲一個簇，經過不斷的合併這些基本的簇造成較大的簇，知道知足條件爲止 

自頂向下是首先將全部的對象看陳是一個簇中的對象，而後根據必定的準則不斷的進行分割這個簇造成更小的簇，從而完成聚類

 

基於密度的聚類  主要餓算法有DBSCAN  OPTICS DENCLUE CLIQUE

基於網格的聚類  主要得算法有STING WaveCluster CLIQUE  

基於模型的聚類  主要有神經網絡方法和統計學方法