图2.1数据挖掘的过程
2.3数据挖掘涉及的主要技术
数据挖掘是从存放在数据库、数据仓库或其它数据源中的大量数据中挖掘有趣知识的过程。一般情况下，一种数据挖掘算法不可能适合所有的挖掘问题的需要。一种算法可能只适合特定的问题和特定的领域。本文来自优|文,论~文'网，
毕业论文 www.youerw.com 加7位QQ324_9114找源文
数据挖掘过程中常用的算法包括：关联规则、分类算法、预测、聚类分析、组合学习技术以及 Web 挖掘和文本挖掘算法等内容。
3．聚类分析技术
3.1 聚类分析的定义
聚类分析(cluster analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。 聚类分析也叫分类分析(classification analysis)或数值分类(numerical taxonomy)。
3.2 聚类分析中的数据结构
许多基于内存的聚类算法选择两种有代表性的数据结构：数据矩阵和相异度矩阵。
3.3聚类分析中的数据类型
聚类分析起源于统计学，但数据挖掘的对象复杂多样，要求聚类分析的方法不仅能够对属性为数值类型的数据进行，而且要适应数据类型的变化。通常，在数据挖掘中，对象属性经常出现的数据类型有：区间标度变量，二元变量，标称型、序数型和比例标度型变量以及混合类型的变量[5]。
4．传统聚类算法
传统的聚类算法主要有：串行聚类算法和并行聚类算法。
4.1串行聚类算法
串行聚类算法又分为：划分方法（partitioning method）、层次方法（hierarchical method）、基于密度的方法（density-based method）、基于网格的方法（grid-based method）、基于模型的方法（model-based method）。
4.1.1划分方法（partitioning method）
划分方法首先根据给定要构建划分的数目k创建一个初始划分，然后采用一种迭代的重定位技术，尝试通过对象在划分间移动来改进划分。常见的划分方法有K-means（K-means）算法和K-中心点（K-MEDOIDS）算法两种。
4.1.2 层次方法（hierarchical method）
层次方法对给定数据对象集合进行层次的分解。根据层次的分解如何形成，层次的方法可以分为凝聚的和分裂的。凝聚的方法，也称为自底向上的方法，一开始将每个对象作为单独的一个组，然后相继地合并相近的对象或组，直到所有的组合并为一个（层次的最上层），或者达到一个终止条件。分裂的方法，也称为自顶向下的方法，一开始将所有的对象置于一个簇中，在迭代的每一步中，一个簇被分裂为更小的簇，直到最终每个对象在单独的一个簇中，或者达到一个终止条件。
主要的凝聚聚类算法有CURE,CHAMELEON,BIRCH,ROCK等。
4.1.3 基于密度的方法（density-based method）
上一页 [1] [2] [3] [4] [5] [6] 下一页
数据挖掘中的聚类算法的研究_聚类在数据挖掘中的应用 第3页下载如图片无法显示或论文不完整，请联系qq752018766
