【数据挖掘】基于方格的聚类方法 ( 概念 | STING 方法 | CLIQUE 方法 )

2024-04-22 04:19:19

文章目录

I . 基于方格的聚类方法简介
II . 基于方格的聚类方法图示
III . STING 方法
IV . CLIQUE 方法

I . 基于方格的聚类方法简介

1 . 基于方格的聚类方法 :

① 数据结构划分 : 将多维数据空间 , 划分成一定数目的单元 ;

② 数据结构操作 : 在上述划分好的数据单元数据结构上 , 进行聚类操作 ;

2 . 基于方格聚类方法优缺点 :

① 优点速度快 : 聚类速度很快 , 其聚类速度与数据集样本个数无关 , 与划分的单元个数有关 ;

② 缺点准确率低 : 聚类的准确率会大大降低 , 划分的方格越大 , 准确率越低 , 但速度越快 ;

3 . 如 : 有 111 亿数据 , 如果按照样本数量进行聚类很慢 , 如果将其划分成 100100100 个聚类 , 相当于划分成了 100100100 个数据单元 , 其速度相当于 100100100 个样本进行聚类 , 速度很快 ;

II . 基于方格的聚类方法图示

如下图的二维空间 , 二维空间中分布着 100100100 个点 , 将其划分成 999 个方格 , 然后对 999 个方格进行聚类 , 不再考虑对样本进行聚类了 ;

999 个方格 , 将每个方格当做一个样本对象 , 进行聚类分组 ;

III . STING 方法

1 . 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 ) ;

2 . 单元统计 :

① 统计信息 : 每个单元都有数据统计信息 , 如单元所有样本的平均值 , 最大值 , 最小值 , 数据分布等数据 ;

② 预先计算 : 统计信息需要预先计算出来 , 供之后的聚类操作使用 ;

③ 聚类分组 : 根据每个数据单元的统计信息 , 为数据单元进行聚类分组 ;

IV . CLIQUE 方法

1 . CLIQUE 方法 : 是基于密度和基于方法结合后的算法 ;

① 划分方格 : 将多维数据集样本 , 在多维数据空间中 , 划分成互不相交的矩形单元 , 这些单元之间互相不能覆盖 ;

② 密集单元 : 如果某个数据单元的样本个数大于一个阈值 , 这个数据单元就是密集单元 ;

③ 阈值 : 这个阈值一般是开始时 , 用户输入的参数 ;

④ 聚类 : 密集单元相互连接构成一个集合 , 就是一个聚类分组 ;

2 . CLIQUE 算法优点 :

① 性能高 : CLIQUE 算法可以找出具有高密度数据样本对象所在的数据单元 ,

② 扩展性好 : 这些数据的输入顺序 , 数据的分布 , 不会影响最终的数据分布 ;

3 . CLIQUE 算法缺点 : 聚类的准确度较低 :

【数据挖掘】基于方格的聚类方法 ( 概念 | STING 方法 | CLIQUE 方法 )相关推荐

Spark数据挖掘-基于 K 均值聚类的网络流量异常检测(1): 数据探索、模型初探
Spark数据挖掘-基于 K 均值聚类的网络流量异常检测(1): 数据探索.模型初探 1 前言分类和回归是强大易学的机器学习技术.需要注意的是:为了对新的样本预测未知的值, 必须从大量已知目标值的样 ...
dbpedia知识图谱java_一种基于DBpedia的水务领域概念知识图谱构建方法与流程
本发明涉及的是领域知识图谱构建技术领域,涉及到一种基于DBpedia的水务领域概念知识图谱构建方法,特别涉及到一种基于Jaccard相似度算法与随机游走相似度算法结合的协同过滤模型框架,用于补全概念模 ...
【数据挖掘】聚类算法简介 ( 基于划分的聚类方法 | 基于层次的聚类方法 | 基于密度的聚类方法 | 基于方格的聚类方法 | 基于模型的聚类方法 )
文章目录 I . 聚类主要算法 II . 基于划分的聚类方法 III . 基于层次的聚类方法 IV . 聚合层次聚类图示 V . 划分层次聚类图示 VI . 基于层次的聚类方法切割点选取 VII ...
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 ...
文献记录(part79)--光学影像序列中基于多视角聚类的群组行为分析
学习笔记,仅供参考,有错必纠光学影像序列中基于多视角聚类的群组行为分析摘要群组行为分析是光学影像序列分析中的一项重要课题, 在近年来引起了人工智能领域研究人员的广泛关注. 与行人个体相比, 群组 ...
基于模型的聚类和R语言中的高斯混合模型
介绍四种最常见的聚类方法模型是层次聚类,k均值聚类,基于模型的聚类和基于密度的聚类 . 最近我们被客户要求撰写关于聚类的研究报告,包括一些图形和统计输出. 可以基于两个主要目标评估良好的聚类算法: ...
【数据挖掘】基于密度的聚类方法 - DBSCAN 方法 ( K-Means 方法缺陷 | 基于密度聚类原理及概念 | ε-邻域 | 核心对象 | 直接密度可达 | 密度可达 | 密度连接 )
文章目录 I . K-Means 算法在实际应用中的缺陷 II . K-Means 初始中心点选择不恰当 III . K-Means 优点与弊端 IV . 基于密度的聚类方法 V . 基于密度的聚 ...
【数据挖掘】基于密度的聚类方法 - DBSCAN 方法 ( DBSCAN 原理 | DBSCAN 流程 | 可变密度问题 | 链条现象 | OPTICS 算法引入 | 聚类层次 | 族序概念 )
文章目录 I . DBSCAN 简介 II . DBSCAN 算法流程 III . DBSCAN 算法优缺点 IV . 可变密度问题 V . 链条现象 VI . OPTICS 算法原理 VII . ...
【数据挖掘】基于层次的聚类方法 ( 聚合层次聚类 | 划分层次聚类 | 族间距离 | 最小距离 | 最大距离 | 中心距离 | 平均距离 | 基于层次聚类步骤 | 族半径 )
文章目录基于层次的聚类方法简介基于层次的聚类方法概念聚合层次聚类图示划分层次聚类图示基于层次的聚类方法切割点选取族间距离概念族间距离使用到的变量族间距离最小距离族间距 ...

最新文章

热门文章