第五章 聚类及其应用分析

LOGO
第五章 聚类及其 应用分析
主要内容
1 2 3 4 聚类分析基本概念 典型聚类算法简介 K-means算法的实现 聚类分析的应用实例
1.1 什么是聚类？
聚类（Clustering）是将物理或抽象的对象集合分 成多个组的过程，聚类生成的组称为簇 （Cluster），即簇是数据对象的集合。 聚类就是要：
典型算法：COBWEB和神经网络算法等。
主要内容
1 2 3 4 聚类分析基本概念 典型聚类算法简介 K-means算法的实现 聚类分析的应用实例
K-means算法简介
K-means算法是很典型的基于距离的聚类算法， 采用距离作为相似性的评价指标，即认为两个对 象的距离越近，其相似度就越大。该算法认为簇 是由距离靠近的对象组成的，因此把得到紧凑且 独立的簇作为最终目标。 K-均值聚类是属于划分方法中的基于质心技术的 一种方法，即簇的相似度是关于簇中对象的均值 度量，可以看作簇的质心（centroid） K-均值（k-means）是一种简便、实用的无监督 聚类分析算法。这种算法在已知簇的个数时，可 很好地实现数据的聚类分析。
具体过程如表：
m1 m2 K1 K2
2
4
{2,3}
{4,10,12,20,30,11,25}
2.5
16
{2,3,4}
{10,12,20,30,11,25}
3
18
{2,3,4,10}
{12,20,30,11,25}3,4,10,11,12}
{20,30,25}
7
25
{2,3,4,10,11,12}
用于决定输入参数的领域知识最小化
对于高维数据，参数很难决定，聚类的质量也很难控制
处理噪声数据的能力
对空缺值、离群点、数据噪声不敏感
对于输入数据的顺序不敏感
同一个数据集合，以不同的次序提交给同一个算法， 应该产生相似的结果
高维性
高维的数据往往比较稀松，而且高度倾斜
基于约束的聚类
K-means算法示例
10
10 9 8 7 6 5
10
9
9
8
8
7
7
6
6
5
5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10
将每个 对象指 派到最 相似的 簇
4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10
更新每 个簇的 均值
4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10
1.2 数据挖掘对聚类分析的九大要求
可扩展性(Scalability)
大多数来自于机器学习和统计学领域的聚类算法在处理数百 条数据时能表现出高效率
处理不同数据类型的能力
数字型；二元类型，分类型/标称型，序数型,比例标度型等 等
发现任意形状的能力
基于距离的聚类算法往往发现的是球形的聚类，其实现实的 聚类是任意形状的
从统计学的观点看
聚类分析是对数据建模，从而简化数据的一种方法， 作为多元统计分析的主要分支之一，聚类分析已被研 究了很多年，主要集中在基于距离和基于相似度的聚 类方法。
从机器学习的观点看
簇相当于隐藏模式，聚类是搜索簇的无监督学习过程。
从实际应用的角度看
聚类分析是数据挖掘的主要任务之一。数据挖掘领域 主要研究面向大型数据库、数据仓库的高效和实用的 聚类分析算法。
Step 3 Step 2 Step 1 Step 0
divisive (DIANA)
(3) 基于密度的聚类方法
基于距离的聚类方法的缺点：
只能发现球状的簇，难以发现任意形状的簇。
基于密度的聚类：
只要临近区域的密度（对象或数据点的数目）超过某 个临界值（某一阈值），就继续聚类。 优点：
... 0
1.4 对象间的相似度和相异度
由于数据对象大都可以表示为向量形式，因此判 断对象间的相似度和相异度通常是将所有数据对 象的向量看作向量空间中的点，然后通过计算向 量空间中点与点之间的距离衡量数据对象之间的 相似性。 常用的基于向量的相似度计算方法：
Cosine相似度是计算文档数据之间相似性的最常用的 度量准则之一，如下式所示：
(4) Tanimoto系数
主要内容
1 2 3 4 聚类分析基本概念 典型聚类算法简介 K-means算法的实现 聚类分析的应用实例
2 典型聚类算法简介
聚类分析算法种类繁多，具体的算法选择取决于数据 类型、聚类的应用和目的，常用的聚类算法包括：
Y
X
输出结果 1 2
簇中心
(2.610, 4.610) (2.00, 1.83) (1.5, 1.5) (2.105, 4.125) (1.8, 2.10) (5, 6)
簇点
2, 4, 6 1, 3, 5 1, 3 2, 4, 5, 6 1, 2, 3, 4, 5 6
K-means算法的基本思想
首先，随机选择k个数据点做为聚类中心； 然后，计算其它点到这些聚类中心点的距离，将 其划分为距离最近的中心点；并通过对簇中距离 平均值的计算，不断改变这些聚类中心的位置； 直到这些聚类中心不再变化为止。
K-means算法的实现
输入：n个数据的数据集合和已知的簇个数k 输出：n个数据各属于k个簇中哪个簇的信息 算法步骤： 1）任意从n个数据中选择k个作为初始的簇中心； 2）将剩余的n-k个数据按照一定的距离函数划分到 最近的簇； 3）按一定的距离函数计算各个簇中数据的各属性平 均值，作为新的簇中心（质心）； 4）重新将n个数据按照一定的距离函数划分到最近 的簇； 5）repeat 3和4 6）until 新的质心与原质心相等或小于指定阈值。
相异度矩阵：存储n个对象 两两之间的临近度
• 也叫单模矩阵，行和列代 表相同的实体 许多聚类算法都是以相异度矩 阵为基础，如果数据是用数据 矩阵形式表示，则往往要将其 先转化为相异度矩阵。
0 d(2,1) d(3,1 ) : d ( n ,1)
0 d ( 3,2 ) : d ( n ,2 ) 0 : ...
重新分派…
10
10 9 8 7
重新分派
K=2 随机选择2个对象， 作为簇的中心
9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10
更新每 个簇的 均值
6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10
K-means聚类实例
假设给定如下要进行聚类的元组： {2,4,10,12,3,20,30,11,25}，并假设k=2.初始时用前 两个数值作为类的均值；m=2 和 m=4.利用欧几里 德距离，可得K1={2,3}和 K2={4,10,12,20,30,11,25}。数值3与两个均值的距 离相等，所以任意地选择K1作为其所属类。在这种 情况下，可以进行任意指派。计算均值可得m1=2.5 和 m2=16。重新对类中的成员进行分配，不断重复 上述过程，直至均值不再变化。
典型算法：STING、WareCluster和CLIQUE等
(5) 基于模型的聚类方法
为每个簇假定一个模型，寻找数据对给定模型的 最佳拟合。
一个基于模型的算法可能通过构建反映数据点空间分 布的密度函数来定位聚类 这种方法同时也用于自动的决定数据集中聚类的数目
• 通过统计学的方法，考虑噪声和离群点，从而产生健壮 的聚类方法
每个组至少包含一个对象 每个对象属于且仅属于一个组
需要预先给定参数（聚类数k）
划分准则
同一个聚类中的对象尽可能的接近或相关，不同聚类中的对 象尽可能的远离或不同
簇的表示
k-平均算法(k-means算法)
• 由簇的平均值来代表整个簇
k中心点算法
• 由处于簇的中心区域的某个值代表整个簇
找到既满足约束条件（如聚类数k） ，又具有良好聚类 特性的数据分组
可解释性和可用性
聚类要和特定的语义解释和应用相联系
1.3 聚类分析中的数据类型
许多基于内存的聚类算法 采用以下两种数据结构
数据矩阵：用p个变量来表 示n个对象
• 也叫二模矩阵，行与列代 表不同实体
x 11 ... x i1 ... x n1 ... ... ... ... ... x 1f ... x if ... x nf ... ... ... ... ... x 1p ... x ip ... x np
基于划分的聚类方法 基于层次的聚类方法 基于密度的聚类方法 基于网格的聚类方法 基于模型的聚类方法
实际应用中的聚类算法，往往是上述聚类方法中多种 方法的整合
(1) 基于划分的聚类方法
给定一个n个对象或元组的数据库，一个划分方法构建 数据的k个划分，每个划分表示一个簇，并且k<=n。
让生成的簇内部的任意两个对象之间具有较高的相似度 而属于不同簇的两个对象间具有较高的相异度。
聚类是一种无指导（无监督）的学习：
没有预定义的类编号
聚类分析的数据挖掘功能
作为一个独立的工具来获得数据分布的情况 作为其他算法的预处理步骤
有指导的学习 V.S. 无指导的学习
聚类分析
(2) 基于层次的聚类方法
对给定数据对象集合进行层次分解
自底向上方法（凝聚agglomerative）：
• 开始将每个对象作为单独的一个组，然后相继的合并相 近的对象或组，直到所有的组合并为一个，或者达到一 个终止条件。
自顶向下方法（分裂divisive）：
• 开始将所有的对象置于一个簇中，在迭代的每一步，一 个簇被分裂为多个更小的簇，直到最终每个对象在一个 单独的簇中，或达到一个终止条件