子空間聚類改進(jìn)方法研究.pdf

1、聚類分析作為數(shù)據(jù)挖掘的核心任務(wù)，具有廣泛的應(yīng)用領(lǐng)域。研究人員根據(jù)不同應(yīng)用提出了大量算法，其中包括劃分方法、層次方法、基于網(wǎng)格的方法、基于密度的方法等。目前，大規(guī)模、高維數(shù)據(jù)集的聚類算法是聚類分析領(lǐng)域的熱點(diǎn)和難點(diǎn)之一。由于高維數(shù)據(jù)的稀疏性，傳統(tǒng)聚類算法在對(duì)高維數(shù)據(jù)聚類時(shí)不能獲得理想效果。子空間聚類算法致力于解決傳統(tǒng)聚類算法在對(duì)高維數(shù)據(jù)聚類時(shí)遇到的困難，是聚類算法的一個(gè)新的分支。 高維數(shù)據(jù)的聚類是聚類算法能否適用于更多領(lǐng)域的關(guān)鍵，子

2、空間聚類是實(shí)現(xiàn)高維數(shù)據(jù)聚類的有效途徑，它是在高維數(shù)據(jù)空間中對(duì)傳統(tǒng)聚類算法的一種擴(kuò)展，其思想是將搜索局部化在相關(guān)維中進(jìn)行，代表性算法包括CLIQUE、SUBCLU等。在真實(shí)數(shù)據(jù)集中隨著數(shù)據(jù)維數(shù)的不同，子空間的密集程度也有所不同，而上述的子空間聚類算法在分析真實(shí)高維數(shù)據(jù)集時(shí)效果往往不令人滿意，同時(shí)由于處理數(shù)據(jù)類型的單一性上述算法難以解決實(shí)際問題。 為解決上述難題，本文通過對(duì)幾種子空間聚類算法的分析研究，提出了一種基于k最相似聚類的子

3、空間聚類算法-KSCSC。算法使用一種新的聚類間相似度度量方法，通過保留k最相似聚類來確定子空間搜索方向，并將子空間聚類算法處理的數(shù)據(jù)類型擴(kuò)展到連續(xù)型數(shù)據(jù)和分類型數(shù)據(jù)。算法針對(duì)以往子空間聚類算法采用全局密度閾值導(dǎo)致算法伸縮性不好以及聚類準(zhǔn)確度不高的問題，在不同的子空間上采用不同的局部密度閾值，更加符合真實(shí)數(shù)據(jù)集的實(shí)際分布情況，在保持了子空間聚類算法優(yōu)點(diǎn)的同時(shí)，避免了其他算法主觀地給定參數(shù)所具有的缺陷。 理論分析和基于不同數(shù)據(jù)集的