基于网格的聚类算法STING

STING方法简介

① 全称 : STING , Statistical Information Grid , 统计信息网格 , 是一种多分辨率聚类技术 ;

② 划分方格 : 将数据空间划分成矩形区域 ;

③ 划分分辨率 : 不同层次的矩形方格划分成的数据单元 , 其分辨率不同 ;

④ 层次结构 : 这些不同分辨率的数据单元 , 构成层次结构 , 如下示例 , 绿色的矩形 ( 数据单元 ) 中 , 包含紫色的矩形 ( 数据单元 ) ;

基于网格的聚类方法将空间量化为有限数目的单元，可以形成一个网格结构，所有聚类都在网格上进行。

基本思想就是将每个属性的可能值分割成许多相邻的区间，并创建网格单元的集合。每个对象落入一个网格单元，网格单元对应的属性空间包含该对象的值。

基于网格的聚类方法的主要优点是处理速度快，其处理时间独立于数据对象数，而仅依赖于量化空间中的每一维的单元数。这类算法的缺点是只能发现边界是水平或垂直的簇，而不能检测到斜边界。另外，在处理高维数据时，网格单元的数目会随着属性维数的增长而成指数级增长。

STING是一种基于网格的多分辨率的聚类技术，它将输入对象的空间区域划分成矩形单元，空间可以用分层和递归方法进行划分。这种多层矩形单元对应不同的分辨率，并且形成了一个层次结构：每个高

基于网格的聚类算法STING相关推荐

【数据聚类】第五章第一节：基于网格的聚类算法概述
pdf下载(密码:7281) 基于网格的聚类算法:主要用于处理大规模多维数据的聚类问题.它利用一个网格结构,将数据分布的空间划分为有限数目的单元,然后在这些网格单元上执行聚类操作.基于网格的聚类算法主 ...
基于网格的聚类STING、CLIQUE（机器学习）
目录基于网格的聚类基于网格聚类的典型算法基于网格的聚类基于网格的聚类算法的基本思想是将每个属性的可能性分割成许多相邻的区间(例如将属性的值域离散化处理) 创建网格单元的集合,将数据空间划分为许 ...
一种基于邻域的聚类算法
基本概念: 给定数据集D = {d1,d2 ,.. ,dn},p和q是D中的两个任意对象.我们使用欧氏距离来评估p和q之间的距离,表示为 dist(p,q). 我们将首先给出k-最近邻集合和反向的定义 ...
机器学习-无监督学习-聚类：聚类方法（二）--- 基于密度的聚类算法【DBSCAN文本聚类算法，密度最大值文本聚类算法】
密度聚类方法的指导思想是,只要样本点的密度大于某阀值,则将该样本添加到最近的簇中. 基于密度的聚类算法假设聚类结构能够通过样本分布的紧密程度确定,以数据集在空间分布上的稠密程度为依据进行聚类,即只要一 ...
基于密度的聚类算法（3）——DPC详解
基于密度的聚类算法(1)--DBSCAN详解基于密度的聚类算法(2)--OPTICS详解基于密度的聚类算法(3)--DPC详解 1. DPC简介 2014年,一种新的基于密度的聚类算法被提出,且其 ...
基于密度的聚类算法：DBSCAN
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法.与划分和层次聚类方法不同, ...
聚类——基于层次的聚类算法
基于层次的聚类算法(Hierarchical Clustering) 当不知道应该分为几类时,使用层次聚类比较适合.层次聚类会构建一个多层嵌套的分类,类似一个树状结构.可以选择一个聚类数量,根据需求对 ...
基于密度的聚类算法（1）——DBSCAN详解
基于密度的聚类算法(1)--DBSCAN详解基于密度的聚类算法(2)--OPTICS详解基于密度的聚类算法(3)--DPC详解 1. DBSCAN简介 DBSCAN(Density-Based S ...
【Kmeans】基于Kmeans的聚类算法的MATLAB仿真
0.完整源码获得方式方式1:微信或者QQ联系博主方式2:订阅MATLAB/FPGA教程,免费获得教程案例以及任意2份完整源码 1.软件版本 MATLAB2021a 2.本算法理论知识 ...

基于网格的聚类算法STING

基于网格的聚类算法STING

基于网格的聚类算法STING相关推荐

最新文章

热门文章