張 軍

（江蘇海事職業(yè)技術學院信息工程學院 江蘇 211170）

0 引言

數據挖掘是一個涉及到很多領域的學科，因為大數據的出現使得數據挖掘需要運用統(tǒng)計學，人工智能等等來對數據進行處理分析。而聚類算法作為數據挖掘的核心方法之一，已經在科研和具體實踐中得到了廣泛的應用。聚類算法是數據挖掘中相對而言較復雜的算法，比分類算法在理解和處理上都有難度。聚類算法在實踐中，要想有意義，就必須具有可伸縮性，即對不同大小的數據集合，處理效果要是一致的；聚類分析可以處理不同類型的數據，并且對于不同形狀的簇，也要有合理的效果；聚類算法還可以識別其噪聲數據，拋棄不相干的的噪聲，聚類結果有邏輯上的意義，有可解釋性；聚類還可以處理高緯度的數據，而且在合理的時間內處理完成。

1 聚類分析

1.1 聚類分析概念

所謂聚類就是將一些數據集合進行分組，每一組的對象之間是有相似的屬性。聚類分析就是將給定的數據對象集合分成不同的簇，所謂的簇即是聚類產生的對象的集合，而簇的特點是每個簇內其屬性相似，簇間屬性不同。目標就是使類之間差異盡可能大，類內部的相似度盡可能大。

聚類和分類是完全不同的，分類的目標類別是已知的，而聚類的結果是未知的，需要不停的嘗試聚類的結果類別數（除特殊情況，如已知總共的類別數）。聚類分析可以通過建模的方式簡化數據，建模方法有分解法，模糊聚類等方法。從數據挖掘的角度來說，聚類算法是一種無監(jiān)督學習的方式，所產生的簇是隱含的，這是與分類算法最大的不同點。在無監(jiān)督學習中，用來訓練的樣本是沒有進行標記的，事先不知道類別，通過聚類算法后，每個元素被分到某個類中，才有了類別。

聚類分析的過程是不斷探索的，因此開始時，不必事先確定分類標準，聚類算法能夠從樣本自身中進行挖掘，進行分類。使用不同的聚類方法，其結果往往不同，同樣的聚類算法，對不同的數據，聚類結果也可能不同。

在運用到實際生活中，其聚類分析是數據挖掘的核心，聚類可以獨立獲得其散布，觀察其數據的特點，對其進行分析。

1.2 聚類的類型

傳統(tǒng)的聚類分析計算方法有以下幾種類型：

（1）劃分法

對于一個數據集，其大小為M，劃分結果為K個類，K小于M。結果中每個類至少包含一個元素；每一個元素僅屬于一個類。一般情況下K未知，算法首先給出一個初始的分組（有時為隨機劃分），然后通過某種確定的方法，衡量分組的好壞。得到一個衡量值。再通過迭代的方法改變分組里的元素，再次計算衡量值，選擇其中最大衡量值的分組方式，思想是：同一組中的元素距離盡可能的近，而不同分組之間的距離盡可能的遠。使用這種思想的最簡單易懂應用最廣泛的的算法是K-MEANS算法。

（2）層次聚類

有些數據可以進行層次分解，這種聚類方法要求數據滿足層次性。不是所有的數據都適應。劃分層次時，需要設定一個停止條件。在實際執(zhí)行中，層次聚類可分為“自底向上”和“自頂向下”兩種。“自底向上”算法的意思是，每一個元素剛開始都是一個單獨的類，在下一輪迭代中，算法把最相近的元素歸為一個類，此處需要事先設定好一個相似度，大于此相似度的才歸類，否則仍然自己單獨一類，如果不滿足要求，則繼續(xù)進行迭代。再次迭代時，相似度要相應的降低，以便聚類，直到所產生的類滿足要求。這種思想的典型算法是BIRCH算法。

（3）基于密度的聚類

以上兩種方法，在度量相似度時候，都是基于各種距離的，而基于密度的聚類不考慮元素之間的距離。基于距離的算法，其缺點是只能發(fā)現“類圓形”的簇，對于特殊形狀的簇效果很差。基于密度的算法的思想是，只要某一個區(qū)域中點的密度大于事先設定好的值，就把這個點歸到和它最相近的類中?；诿芏鹊牡湫退惴ㄓ蠨BSCAN算法等；

2 聚類分析算法

（1）K原型算法

該算法通過改進其K均值算法，使得該算法能夠處理符號屬性的數據。

（2）層次算法（CURE）

CURE算法選擇類是以數據點作為依據，合并類是按照距離最近的類將其合并，直到其合并的個數滿足要求位置。層次算法不在使用半徑或所有點表示類別，而是從了類別選擇數量一定并且分布比較好的點來描述該類別，并且為了使這些點更加靠近中心，乘以一個因子，而這個因子還可以將噪音的影響降到最低。將一個類用代表點來表示，使得類在擴展時，并不一定要按照球形的方式來擴展，采用隨機抽樣的方法提升空間，可以調整類的形狀，來表示更大形狀范圍的簇。

（3）劃分算法（CLARANS）

劃分算法的過程是，先隨機選一個點，隨機對周圍設定不超過最大鄰居的鄰接點，假如找出一個比它更好的點，就將其移入到該點中，如果沒有更好的點則該點就作為其局部最小量。然后再隨機選擇一個點，去尋找另一個局部最小的點。

（4）基于密度算法

這種方法也叫DBSCAN算法，主要是利用類的密度連通性對類進行研究分析。其思想是，對于任意一個對象，在其給定的半徑空間內，含有的對象數不能少于某一數值。只要區(qū)域的密度符合要求，就歸為一類（一簇），而不關心類的形狀和大小，其優(yōu)點的其聚類的速度快，能夠處理噪聲，能夠處理各種奇形怪狀的簇。但其缺點也比較明顯，一旦遇到大數據的樣本則需要的內存也隨之增加，其很消耗I/O。如果簇的密度不均勻，則效果也不夠好。

3 聚類分析在數據挖掘中的應用

在商業(yè)領域內，聚類較早的應用時發(fā)現客戶群，對客戶進行聚類，每個類之間的購買模式不同，針對不同客戶群，采取不同的措施。

聚類算法可以用來細化細分市場，用來分析消費者的消費特點，歸納出新的潛在市場。互聯網公司紛紛研究大數據和聚類分析，就是為了研究客戶的行為特點，提高用戶體驗。

聚類算法還可以進行動植物分類，基因工程的大幅度進展，也跟大數據技術，分類聚類技術有關，對基因進行分類和聚類，是當前研究的熱點。

聚類分析應用在保險領域，可以通過消費水平來對購買了汽車保險的人進行分組，或者根據住宅的類型，住宅的位置，住宅的價值等屬性，來對一個城市的房產所有人進行分組，針對不同的分組，推薦不同的保險措施。

聚類分析在Internet上廣泛用來文本歸類。

聚類分析在電子商務中也有更加廣泛的應用。數據挖掘通過用戶瀏覽網頁所產生的互動數據，如點擊，購買，加入購物車等行為，對客戶進行聚類分析。對不同類別的客戶，給以不同的推薦和激勵措施，極大的提高了用戶體驗，極大幫助了電子商務的發(fā)展。

4 總結

數據挖掘是現如今廣泛研究的熱點課題，數據挖掘可以從大量的數據中挖掘有價值的數據，并制定用戶可以理解的模式。聚類分析做為數據挖掘的核心功能之一，本文對聚類分析做出了深入的分析，通過分析幾種聚類算法在數據挖掘中的應用，可以對大數據進行處理，并可以將其運用到各行各業(yè)當中。

[1]Margart H.Dunham，DATA MINING Introductory and Advanced Topics，北京：清華大學出版社，2011.

[2]郭軍華，數據挖掘中聚類分析的研究：[碩士學位論文]，湖北：武漢理工大學，2012.