數(shù)據(jù)挖掘中聚類分析算法及應(yīng)用研究

張超群+孟海東

摘 要：聚類分析算法在數(shù)據(jù)挖掘領(lǐng)域、設(shè)備學(xué)習(xí)領(lǐng)域以及統(tǒng)計學(xué)領(lǐng)域等均有著重要的研究和應(yīng)用意義，同時在實際的應(yīng)用中也有著廣泛的地位。對此，本文詳細(xì)分析數(shù)據(jù)挖掘中聚類分析算法及應(yīng)用。

關(guān)鍵詞：數(shù)據(jù)挖掘；聚類分析算法；應(yīng)用

DOI：10.16640/j.cnki.37-1222/t.2017.11.148

聚類分析算法是一種將給定數(shù)據(jù)實現(xiàn)集劃分為多個類別的過程，同時同一種聚類當(dāng)中數(shù)據(jù)的對象有著較高的相似性，不同的聚類之間的數(shù)據(jù)對象具備較低的相似度。一般情況下，就使用距離來看，聚類的數(shù)據(jù)之間有著較高的使用特性，能夠讓數(shù)據(jù)使用者更快的掌握更多的可實用性數(shù)據(jù)。對此，探討數(shù)據(jù)挖掘中聚類分析算法及應(yīng)用具備顯著意義。

1 聚類分析算法

1.1 數(shù)據(jù)挖掘?qū)垲惙治鏊惴ǖ闹饕?/p>

就當(dāng)前的數(shù)據(jù)挖掘技術(shù)以及數(shù)據(jù)挖掘技術(shù)的應(yīng)用而言，當(dāng)前對聚類分析算法的主要要求有以下幾點(diǎn)：（1）可拓展性。聚類分析算法必須對大數(shù)據(jù)、小數(shù)據(jù)都能夠?qū)崿F(xiàn)有效的計算和劃分，大至網(wǎng)絡(luò)數(shù)據(jù)，小至企業(yè)人數(shù)數(shù)據(jù)等；（2）處理不同類型的數(shù)據(jù)功能[1]。聚類分析算法必須兼?zhèn)洳煌念愋蛿?shù)據(jù)處理功能，例如能夠處理經(jīng)濟(jì)數(shù)據(jù)也可以處理工程類數(shù)據(jù)；（3）發(fā)現(xiàn)任何關(guān)聯(lián)性的聚類。聚類分析算法不僅能夠發(fā)現(xiàn)具備類似大小、密度的球狀聚類或圓形聚類，還能夠發(fā)現(xiàn)各種任意形狀但是具備一定類似性的聚類；（4）降低用戶的輸入?yún)?shù)兩。用戶在輸入?yún)?shù)量時必然帶有一定的主觀性，所以在參數(shù)量輸入得夠多時則整體分析結(jié)果也就更加主觀化，整體分析結(jié)果也就顯得越發(fā)不準(zhǔn)確。對于聚類質(zhì)量而言，輸入?yún)?shù)量的大小有著直接性的影響，所以應(yīng)當(dāng)盡可能的降低用戶的輸入?yún)?shù)量，從而最大程度改進(jìn)聚類分析算法的分析效果，同時降低用戶的分析負(fù)擔(dān)；（5）對干擾數(shù)據(jù)具備較強(qiáng)處理能力。在實際應(yīng)用過程中，想要真正展現(xiàn)聚類分析算法的使用能力，就必須最大程度降低干擾數(shù)據(jù)的影響，借助聚類分析算法對干擾數(shù)據(jù)給予針對性的處理，促使處理對象當(dāng)中的質(zhì)量差盡可能控制到最低[2]；（6）盡可能降低對輸入數(shù)據(jù)順序的敏感性。衡量聚類分析算法的優(yōu)劣勢最重要指標(biāo)之一就是對輸入數(shù)據(jù)的順序是否存在敏感性，如果不存在敏感性，則說明聚類分析算法的使用特性較好，反之則較差；（7）高維問題。聚類分析算法在處理低維數(shù)據(jù)以及高維數(shù)據(jù)的過程中都必須具備較好的性能；（8）約束聚類。聚類分析算法能夠在特定的條件以及相應(yīng)的規(guī)律之下約束聚類的質(zhì)量，從而確保聚類之間有著較高的使用價值相似性；（9）高度可用性和可解釋性。聚類分析算法應(yīng)當(dāng)和特定的解釋以及相應(yīng)的目標(biāo)之間有著較高的相似性，這也是確保聚類分析算法實際使用能力的直接性表現(xiàn)。

1.2 主要的聚類分析算法

在實際的應(yīng)用過程中，因為數(shù)據(jù)類型、目的以及要求之間的不同，對聚類分析算法的需求也存在明顯的差異，所以在實際的應(yīng)用過程中應(yīng)當(dāng)選擇適當(dāng)?shù)木垲愃惴ǎ@也是非常重要的。應(yīng)用多種聚類分析算法使用在同一個數(shù)據(jù)集當(dāng)中，能夠分析出數(shù)據(jù)潛在的使用價值以及可買搜狐性的特征，并為進(jìn)一步的數(shù)據(jù)挖掘以及探索提供有力基礎(chǔ)。典型的聚類分析算法主要包含基礎(chǔ)的的密度方法、層次方法、劃分方法以及基于網(wǎng)格的方法。

劃分方式：給予一定具體的數(shù)據(jù)集，例如其中包含一億個數(shù)據(jù)對象，劃分的方式就是將數(shù)據(jù)集劃分為多個聚類，例如100個聚類，每一個聚類都應(yīng)當(dāng)符合下列的兩個條件。首先，每一個聚類至少包含一個數(shù)據(jù)對象；其次，每一個數(shù)據(jù)對象只能夠?qū)儆谝粋€聚類。簡單而言，就是一億個數(shù)據(jù)對象按照相應(yīng)的規(guī)律被劃分在100個聚類當(dāng)中，同時每一個數(shù)據(jù)只能夠存在在一個聚類當(dāng)中。但是，在一些模糊劃分的方式當(dāng)中能夠適當(dāng)?shù)姆艑捪拗瞥潭取Ｋ鶚?gòu)建的聚類應(yīng)當(dāng)成為最優(yōu)化的客觀劃分，進(jìn)而促使同一個聚類當(dāng)中對象的距離最小，不同的聚類之間對象的距離應(yīng)當(dāng)盡可能的擴(kuò)大。聚類的相似度高低一般可以作為衡量劃分方法本身質(zhì)量的直接性標(biāo)準(zhǔn)，有效的劃分方式可以促使同一個聚類當(dāng)中的數(shù)據(jù)具備較高的相似性，而不同的聚類之間具備最低的相似度，最常用的劃分方式主要為K-means和K-medoids算法。劃分方式必須具備處理數(shù)據(jù)集的一次性裝入內(nèi)存功能，從而最大程度的限制在大數(shù)據(jù)集當(dāng)中多方面應(yīng)用。劃分方式需要按照用戶的需求劃分為多個個數(shù)據(jù)，這也會導(dǎo)致主觀判斷的因素對聚類質(zhì)量形成應(yīng)想，劃分的方式只是用某一個固定的規(guī)則進(jìn)行聚類，就會導(dǎo)致聚類的形狀不規(guī)律，聚類的結(jié)果準(zhǔn)確率就比較低。

層次方式的輸出能夠為數(shù)據(jù)對象形成一個聚類樹，層次方式分為自上而下、自下而上的分析方式。但是無論是哪一種方式，其都可以獲得在不同粒度之上的多層次聚類結(jié)構(gòu)，但是也存在相應(yīng)的缺陷，例如在分裂以及合并之后，無法再回溯之前，這也缺陷同樣也具備相應(yīng)的積極性，所以在分裂以及合并的過程中，必須要考慮不同選擇而導(dǎo)致組合的分裂問題。

2 聚類分析算法的應(yīng)用

聚類分析算法就是從給定的數(shù)據(jù)當(dāng)中探索出與數(shù)據(jù)對象具備關(guān)聯(lián)性使用價值的其他數(shù)據(jù)，研究人員使用這一關(guān)聯(lián)方式能夠?qū)垲惍?dāng)中的數(shù)據(jù)對象實現(xiàn)統(tǒng)一性的分析處理。應(yīng)用聚類分析作用在數(shù)據(jù)集當(dāng)中，能夠準(zhǔn)確的識別出數(shù)據(jù)集的稀疏、稠密程度，從而更好的掌握整體的分布狀況，并掌握數(shù)據(jù)屬性之間的價值關(guān)聯(lián)性。在商業(yè)領(lǐng)域當(dāng)中，聚類分析能夠幫助營業(yè)部門更好的掌握潛在的用戶特點(diǎn)以及群體關(guān)聯(lián)性，并按照不同的特性以及消費(fèi)心理制定針對性的營銷方式，從而提升營銷的成功性。在生物學(xué)的領(lǐng)域當(dāng)中，聚類分析法主要是應(yīng)用在規(guī)劃動植物的層次結(jié)構(gòu)當(dāng)中，并按照基因的功能實現(xiàn)分類，并對人類的基因構(gòu)造有更加深入和全面的掌握。在經(jīng)濟(jì)領(lǐng)域當(dāng)中，聚類分析算法能夠?qū)Σ煌貐^(qū)的經(jīng)濟(jì)發(fā)展情況進(jìn)行整體性評價，并且對同一個地區(qū)的不同城市之間經(jīng)濟(jì)發(fā)展的能力實現(xiàn)準(zhǔn)確性規(guī)劃。聚類分析算法還能夠應(yīng)用在挖掘網(wǎng)頁信息當(dāng)中的潛在價值信息之中，在數(shù)據(jù)挖掘應(yīng)用的領(lǐng)域中，聚類分析算法既能夠成為一個獨(dú)立的使用工具，還能夠?qū)?shù)據(jù)對象實現(xiàn)合理的分類和規(guī)劃，從而作為其他數(shù)據(jù)挖掘算法的首要處理手段，讓整個數(shù)據(jù)挖掘過程更加有效。

3 結(jié)語

綜上所述，伴隨著數(shù)據(jù)挖掘技術(shù)的快速發(fā)展，企業(yè)、部門必須時刻掌握全新的數(shù)據(jù)挖掘技術(shù)，其中也必然包含聚類分析算法，借助聚類分析算法，快速的掌握大量想關(guān)聯(lián)并且有使用價值的信息數(shù)據(jù)，從而實現(xiàn)數(shù)據(jù)分析和數(shù)據(jù)挖掘的目的。

參考文獻(xiàn)：

[1]焦亞召.基于多核函數(shù)FCM算法在數(shù)據(jù)挖掘聚類中的應(yīng)用研究[D].昆明理工大學(xué)，2015.

[2]浦慧忠.基于數(shù)據(jù)挖掘的一種聚類分析方法在PDM系統(tǒng)中的應(yīng)用研究[J].計算機(jī)與數(shù)字工程，2016，44（11）：511-512.