混合聚類分析方法

1、A new approach in e-learners grouping using Hybrid Clustering Method,－組員：,一種運(yùn)用混合聚類分析“在線分組學(xué)習(xí)”的新方法,－指導(dǎo)老師：,論文研究背景和動(dòng)機(jī)混合聚類分析方法的流程根據(jù)論文提供的實(shí)例驗(yàn)證方法根據(jù)論文留下的對(duì)未來聚類分析的市場預(yù)測和采用混合分析方法的新挑戰(zhàn)進(jìn)行擴(kuò)展分析,Abstract（摘要）,在線教育是近些年來剛興起的一種教育模式，相對(duì)于傳統(tǒng)

2、的教學(xué)模式而言，在線教育便捷、實(shí)用、跨越時(shí)空界限、更接地氣，更適應(yīng)現(xiàn)代人快節(jié)奏的生活方式?！　》纸M學(xué)習(xí)是在線教育的一個(gè)基本功能和顯著特征。分組學(xué)習(xí)能夠根據(jù)廣大受眾體的個(gè)體特征，各取所需，因材施教，大大提高了教學(xué)及學(xué)習(xí)的效率?！　∧壳?，在全球排名靠前的名牌大學(xué)都紛紛開設(shè)了自己的網(wǎng)絡(luò)課程，例如耶魯大學(xué)、哈佛大學(xué)、北京大學(xué)，還有我們廈門理工。在線教育已經(jīng)成為一種新的發(fā)展趨勢。,朗讀,SO,有效的分組能方便進(jìn)行科學(xué)的教育投資

3、 分組研究也加強(qiáng)在線教育的效果，反促進(jìn)其發(fā)展,由于教師和基礎(chǔ)設(shè)備的限制，無法實(shí)現(xiàn)一對(duì)一在線教育，故采大都采用分組學(xué)習(xí)根據(jù)所觀察到學(xué)生的行為和學(xué)習(xí)特征換做維度，進(jìn)行聚類分析，分析完的簇相當(dāng)于組，一次進(jìn)行個(gè)性化教育,如何進(jìn)行相對(duì)應(yīng)的有效分組是在線學(xué)習(xí)發(fā)展的關(guān)鍵，也是我們這次研究的對(duì)象。,不同研究者對(duì)比,,,,,Hybrid Cluste

4、ring Method（HCM）,英語原著,It seems clustering learners by basic methods separately and then hybrid the result to decide about clusters is better than modifying just one method.,中文概括,首先先用各種常見聚類分析方法進(jìn)行聚類分析，再將結(jié)果簇進(jìn)行混合比較，最后修改成最佳結(jié)果

5、,開始,,①：計(jì)算DB指數(shù)，確定簇的最佳個(gè)數(shù),,②：選擇聚類分析的基本方法,,③：對(duì)照不同聚類方法的結(jié)果,,④：在每一個(gè)對(duì)照組中選擇最緊湊的簇,,⑤：重復(fù)修改聚類和刪除元素,,結(jié)束,原著,方法流程,步驟1,計(jì)算公式：,Ti是簇?cái)?shù)量i的成員，Ci是是簇的中心i，Xj是i集群的成員第j個(gè)。dis（C，C)是左邊等式中的中心第i個(gè)和第j個(gè)之間聚類的歐氏距離。,其中N是簇的數(shù)量，而Si是簇的成員i和簇的中心之間的平均歐氏距離。,這個(gè)

6、距離被確定為：,步驟2,選擇聚類的基本方法:選擇聚類的基本算法，如K-means、C-means等，計(jì)算它們的DB指數(shù),步驟3,對(duì)照不同聚類方法的結(jié)果:根據(jù)DB指數(shù)的定義特征，DB值越小，聚類分析效果越好。對(duì)比不同聚類方法下的DB值，篩選DB值最小的值作為簇的劃分個(gè)數(shù),步驟4,在每一個(gè)對(duì)照組中選擇最緊湊的簇:選擇最高的最佳候選壓縮標(biāo)準(zhǔn)。壓縮標(biāo)準(zhǔn)被定義為:,其中aij為第i個(gè)到第j個(gè)候選簇元素的特征向量,c j是j聚類的特征向量，nj

7、是聚類j的成員的數(shù)量。這個(gè)關(guān)系通過獨(dú)立集群成員的數(shù)量，計(jì)算集群密實(shí)度的非線性方程。,步驟5,重復(fù)修改聚類和刪除元素:選擇最高的最佳候選壓縮標(biāo)準(zhǔn)。壓縮標(biāo)準(zhǔn)被定義為:有可能被重復(fù)元素在多個(gè)聚類或不在認(rèn)可所有的聚類,因?yàn)榫垲惪赡軐儆诓煌募旱姆椒?。解決重復(fù)元素的問題,在這一步中,確定多個(gè)集群成員的元素，然后決定他們的成員是否在一個(gè)聚類，以及刪除部分內(nèi)容.標(biāo)準(zhǔn)產(chǎn)生的最好的集群中，定義這些元素是表達(dá)式(4),其中 是特征向量和

8、 是第j個(gè)簇的之間的歐幾里德距離的平均值元素，并且該集群的中心,Hybrid Clustering Method（HCM）,在上述的步驟敘述中，每一個(gè)步驟的時(shí)間和空間復(fù)雜度并不是算法的關(guān)鍵。在“在線教育”這個(gè)研究范圍中，不僅包含著大量的數(shù)據(jù)還有復(fù)雜的混合數(shù)據(jù)維度，所以算法的關(guān)鍵在于如何精確而又快速的進(jìn)行聚類分析，實(shí)現(xiàn)分組學(xué)習(xí)。,方法簡評(píng),EVALUATION OF HYBRID CLUSTERING

9、METHOD,為了評(píng)估所提出的方法，向?qū)W生收集關(guān)于學(xué)習(xí)風(fēng)格（ILS）的問卷調(diào)查，再將每個(gè)學(xué)生的不同行為屬性換算成0到11 （共12個(gè)）的純數(shù)字，以此作為各種學(xué)習(xí)方式的維度。,獲取實(shí)驗(yàn)數(shù)據(jù),EVALUATION OF HYBRID CLUSTERING METHOD,ILS的調(diào)查項(xiàng)目。將抽象的屬性維轉(zhuǎn)換成具體的數(shù)字維度,EVALUATION OF HYBRID CLUSTERING METHOD,用Evolutionary Fuzzy C

10、-means (EFC)、C-means、K-means算法進(jìn)行聚類分析，計(jì)算出DB指數(shù)。DB指數(shù)越低極為最佳簇的劃分個(gè)數(shù)。如圖，此處為DB值為4,如圖，此為根據(jù)DB值為4的新的聚類分析,EVALUATION OF HYBRID CLUSTERING METHOD,計(jì)算各聚類算法精度，進(jìn)行對(duì)比,P&G指數(shù)獨(dú)立于集群的形狀和數(shù)據(jù)分布，是用來找到最好的聚類數(shù)據(jù)集的指標(biāo)。 P&G指數(shù)越大，聚類精度越高。,CONCLUSION