高維混合類型數(shù)據(jù)聚類算法研究.pdf

1、在很多領(lǐng)域中，用于數(shù)據(jù)挖掘的數(shù)據(jù)集通常具有較高的維度。現(xiàn)有大多數(shù)經(jīng)典聚類算法在較低維度運(yùn)行時(shí)效果很好，但是，隨著維度的增加，性能和效率就會(huì)明顯的下降，因?yàn)樗惴ǖ膹?fù)雜度隨著數(shù)據(jù)集維數(shù)的增加而成指數(shù)級(jí)增長；另一方面，目前的聚類算法大都是處理數(shù)值型的數(shù)據(jù)，對(duì)于混合類型數(shù)據(jù)的處理效果往往不佳，因此，亟需尋找一種新的有效的聚類算法。然而國內(nèi)外對(duì)適用于高維混合類型數(shù)據(jù)集的聚類算法的研究非常匱乏，為了解決這種高維混合類型數(shù)據(jù)集的聚類問題，必須從理論上

2、及算法上對(duì)聚類算法進(jìn)行研究。
　　為了研究高維混合類型數(shù)據(jù)的聚類問題，首先，對(duì)數(shù)據(jù)對(duì)象間的最大距離和平均距離隨維數(shù)增加的變化進(jìn)行了實(shí)驗(yàn)，得出了變化趨勢(shì)：當(dāng)數(shù)據(jù)集的維數(shù)小于30的時(shí)候，最大距離和平均距離增加的比較快；當(dāng)數(shù)據(jù)集的維數(shù)大于30的時(shí)候，最大距離和平均距離增加的比較慢，甚至趨向于直線，曲線有一個(gè)拐點(diǎn)，即維數(shù)=30。最大距離和平均距離隨維數(shù)的增加而增大表明數(shù)據(jù)對(duì)象間的距離隨維數(shù)的增加而增大。
　　其次，對(duì)聚類算法的聚類精

3、度隨數(shù)據(jù)維數(shù)增加的變化進(jìn)行了實(shí)驗(yàn)，得出了維數(shù)對(duì)聚類算法精度的影響：當(dāng)數(shù)據(jù)集的維數(shù)小于30的時(shí)候，聚類算法的性能很好，當(dāng)數(shù)據(jù)集的維數(shù)大于30的時(shí)候，聚類算法的精度隨維數(shù)的增加而降低。實(shí)驗(yàn)結(jié)果表明：當(dāng)數(shù)據(jù)集的維數(shù)小于30的時(shí)候，像K-means和層次聚類算法這種基于距離的聚類算法是有效的，但是當(dāng)維數(shù)大于30的時(shí)候它們的聚類結(jié)果很不理想。
　　再次，提出了一種新方法把混合類型數(shù)據(jù)里的非數(shù)值屬性的值轉(zhuǎn)化成數(shù)值型，使得K-means、層次聚

4、類、基于密度和自適應(yīng)密度可達(dá)聚類算法（ClusteringAlgorithmBasedonDensityandDensityreachable,CADD）等聚類算法能夠?qū)旌项愋偷臄?shù)據(jù)進(jìn)行聚類。實(shí)驗(yàn)結(jié)果證明，此方法能有效地使聚類算法對(duì)混合類型的數(shù)據(jù)進(jìn)行聚類，尤其是CADD的聚類效果更好。
　　最后，對(duì)基于密度和自適應(yīng)密度可達(dá)聚類算法（ClusteringAlgorithmBasedonDensityandDensityreacha