基于密度的改進(jìn)型層次聚類算法研究.pdf

1、數(shù)據(jù)挖掘是幫助我們從海量數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值的信息的一種重要工具，而聚類分析又是數(shù)據(jù)挖掘中的一個(gè)重要的研究方向。聚類分析在生物學(xué)、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、商業(yè)決策等領(lǐng)域都得到了成功應(yīng)用。目前的聚類算法都比較有針對(duì)性，所以對(duì)于更高效、更準(zhǔn)確、更全面的聚類算法的研究仍然是一大熱點(diǎn)。層次聚類是聚類分析的一個(gè)重要分支,本文重點(diǎn)分析研究了層次聚類算法，并對(duì)一些代表算法的聚類性能進(jìn)行了分析比較。
　　CURE算法是一種典型的層次聚類算法，該算法對(duì)收縮因

2、子這一參數(shù)很敏感,而且噪聲和孤立點(diǎn)很難界定。針對(duì)CURE算法存在的不足，本文提出了一種改進(jìn)的基于密度分層的層次聚類算法。改進(jìn)算法將數(shù)據(jù)集中的點(diǎn)按照密度大小排序，將密度最小的約10％的點(diǎn)作為偏離點(diǎn)（包括噪聲和孤立點(diǎn)）排除掉。將剩余的點(diǎn)按照密度大小分層，在密度最大和最小兩層上分別進(jìn)行凝聚層次聚類，然后在分層聚類的基礎(chǔ)上對(duì)所有剩余點(diǎn)進(jìn)行凝聚層次聚類。最后將偏離點(diǎn)劃分到與之最近的已聚好的類中。改進(jìn)算法對(duì)噪聲和孤立點(diǎn)不敏感，不需要收縮因子這一參數(shù)

3、，對(duì)多種非球形簇有很好的聚類效果。通過(guò)對(duì)比實(shí)驗(yàn)證明，改進(jìn)算法的聚類效果明顯優(yōu)于C URE算法，算法效率也在一定程度上優(yōu)于C UR E算法。
　　另外，本文還詳細(xì)分析了2014年 Alex Rodriguez在 science上發(fā)表的文章Clustering by Fast Search and Find of Density Peaks中提出的一種新穎的基于密度的C BDP算法。針對(duì)C BDP算法只能處理類內(nèi)數(shù)據(jù)分布不均勻、不同類