王競(jìng)哲

【摘要】 數(shù)據(jù)挖掘是完成數(shù)據(jù)分析的關(guān)鍵，在數(shù)據(jù)挖掘中常用的一種方法就是聚類分析，在具體的分類中可遵循一定的原則和規(guī)律將重要數(shù)據(jù)實(shí)施分類，從而通過(guò)分析發(fā)現(xiàn)其應(yīng)用價(jià)值。本文主要探討的是模糊聚類分析在數(shù)據(jù)挖掘中的相關(guān)運(yùn)用問(wèn)題，在具體的分析中首先分析了常用的聚類算法，其次就模糊聚類分析相關(guān)內(nèi)容展開分析，最后重點(diǎn)總結(jié)了模糊聚類分析在數(shù)據(jù)挖掘中的應(yīng)用。

【關(guān)鍵詞】 模糊聚類分析 數(shù)據(jù)挖掘 數(shù)據(jù)處理 應(yīng)用分析

一、常用的聚類算法

聚類顧名思義就是將數(shù)據(jù)按照一定的規(guī)則進(jìn)行分類整理，因此在數(shù)據(jù)分類中，不同的聚類方法有著不同的特點(diǎn)，常用的聚類算法主要有以下幾種：

1、按照層次為基礎(chǔ)的聚類。按照層次為基礎(chǔ)的數(shù)據(jù)分類主要是根據(jù)層次將主要數(shù)據(jù)進(jìn)行聚類，在具體操作中可以從上向下進(jìn)行分解，同時(shí)也可以從下向上進(jìn)行合并，這也是基于層次聚類的操作方法。在實(shí)際應(yīng)用中要求假設(shè)數(shù)據(jù)是一次性給定的，屬于一種非增量算法，這種聚類方法在單連接、全連接以及平均連接技術(shù)的時(shí)間以及空間復(fù)雜程度為0（n2）。

2、以劃分為基礎(chǔ)的聚類。通常根據(jù)實(shí)際需要建立n個(gè)劃分，通過(guò)循環(huán)定位技術(shù)將研究數(shù)據(jù)從一個(gè)劃分向另外一個(gè)劃分移動(dòng)，在移動(dòng)中促進(jìn)劃分質(zhì)量的改善。

3、以密度為基礎(chǔ)的聚類。這種聚類方法主要以密度為基礎(chǔ)，主要依據(jù)就是研究數(shù)據(jù)周圍密度的不斷增長(zhǎng)，在具體的應(yīng)用中有兩種操作方法，一種是基于密度分布函數(shù)的聚類，另外一種方法就是以高密度連接區(qū)域?yàn)榛A(chǔ)的聚類方法。

4、以網(wǎng)格為基礎(chǔ)的聚類。將研究多項(xiàng)根據(jù)實(shí)際要求劃分成若干個(gè)有限單位，形成網(wǎng)格機(jī)構(gòu)，根據(jù)網(wǎng)格結(jié)構(gòu)實(shí)施數(shù)據(jù)聚類。

5、以模型為基礎(chǔ)的聚類。對(duì)于每種聚類建立相應(yīng)的模型，根據(jù)這種模型發(fā)現(xiàn)與之對(duì)應(yīng)的數(shù)據(jù)。當(dāng)然以模型為基礎(chǔ)的聚類算法可能需要構(gòu)建反映數(shù)據(jù)空間分布的密度函數(shù)，進(jìn)而完成數(shù)據(jù)的定位。

二、模糊聚類分析概述

常言道“物以類聚，人以群分”，可見聚類問(wèn)題的研究由來(lái)已久，而且伴隨著大數(shù)據(jù)時(shí)代的來(lái)臨，對(duì)于聚類分析的要求是越來(lái)越高。聚類分析需要掌握不同數(shù)據(jù)之間的相似性，但是早期的聚類算法大多采用的是硬劃分，也就是對(duì)于所研究的數(shù)據(jù)必須有明確的分類，如果不是這一類，那就是另外一類，忽視了數(shù)據(jù)本身具有的復(fù)雜性，在一定程度上忽視了數(shù)據(jù)的多變性，模糊理論的提出可有效地應(yīng)對(duì)數(shù)據(jù)的變化性和復(fù)雜性，在聚類分析上更加客觀真實(shí)[1]。

模糊聚類最早是由Ruspin提出的，在提出這一概念后研究了多種聚類方法，多種聚類方法具有一定的共同點(diǎn)，通過(guò)多種文獻(xiàn)的比較，一個(gè)合適的聚類應(yīng)該滿足重要的三個(gè)條件，主要是：（1）自反性，也就是在聚類中任何一個(gè)研究對(duì)象都需要和自己是同一類，數(shù)學(xué)定義可以表示為Iii=1；（2）對(duì)稱性，就是說(shuō)a和b屬于同類，那么反過(guò)來(lái)，b和a也應(yīng)該術(shù)同類，數(shù)學(xué)表達(dá)為Iij=Iji；（3）傳遞性，就是說(shuō)a和b屬于同類，b和c屬于同類，那么a和c也應(yīng)該是同類。

模糊聚類主要操作步驟為去頂分類對(duì)象，抽取因素?cái)?shù)據(jù)；建立模糊相似關(guān)系，主要是模糊相似矩陣，具體的可采用最大最小法，算數(shù)平均最小法、相關(guān)系數(shù)法等；最后是根據(jù)模糊相似矩陣完成數(shù)據(jù)分類。

三、模糊聚類分析在數(shù)據(jù)挖掘中的應(yīng)用分析

3.1模糊數(shù)據(jù)算法分析

模糊聚類算法在實(shí)際應(yīng)用中大多采用基于目標(biāo)函數(shù)的方法，在具體的聚類中主要?jiǎng)澐謽?biāo)準(zhǔn)為數(shù)據(jù)之間的相似性或者相異性函數(shù)，實(shí)際上也就是一種轉(zhuǎn)化思想，將聚類問(wèn)題最轉(zhuǎn)化為函數(shù)極值的優(yōu)化問(wèn)題，當(dāng)然經(jīng)過(guò)多年的研究，在目標(biāo)函數(shù)聚類算法中較為完善的主要是FCM，這種算法是將聚類分析問(wèn)題轉(zhuǎn)化為非線性規(guī)劃問(wèn)題。不過(guò)在此基礎(chǔ)上已經(jīng)發(fā)展起來(lái)了快速模糊C—均值聚類算法，這種算法是將一層硬C-均值算法置于模糊C-均值聚類算法之前，這種聚類方法獲取的聚類信息更加豐富，相應(yīng)的在算法難度上也有所增加。這種算法面對(duì)現(xiàn)代大數(shù)據(jù)時(shí)代有明顯的優(yōu)勢(shì)。

3.2模糊聚類特點(diǎn)分析

模糊聚類分析相對(duì)于早期的聚類方法有著明顯的優(yōu)勢(shì)，具體的有以下幾點(diǎn)：（1）高效率，模糊聚類算法相對(duì)于K-中心點(diǎn)算法、K-平均值算法計(jì)算量相對(duì)減少，提高了時(shí)間效率。而且在處理中可以將數(shù)據(jù)形成相似矩陣，通過(guò)對(duì)相似矩陣的處理完成聚類，提高數(shù)據(jù)處理工作效率；（2）靈活性高，在聚類中可根據(jù)具體要去動(dòng)態(tài)的設(shè)置λ值，從而得到不同的聚類結(jié)果，這種算法降低工作量的同時(shí)還能提高聚類的靈活性；（3）應(yīng)用范圍更廣，對(duì)于數(shù)據(jù)邊界清晰的，傳統(tǒng)方法以及模糊聚類都可應(yīng)用，但是對(duì)于大量數(shù)據(jù)分界不明顯的，則只有通過(guò)模糊算法才能取得滿意的聚類；（4）在應(yīng)用中可更好的找出孤立點(diǎn)；（5）有較強(qiáng)的伸縮性[2]。

四、結(jié)束語(yǔ)

模糊聚類的提出和應(yīng)用為解決大數(shù)據(jù)時(shí)代信息技術(shù)奠定了基礎(chǔ)，這種聚類方法可以更方便快捷的從數(shù)據(jù)中尋找有重要價(jià)值的數(shù)據(jù)，具有較高的時(shí)間操作性和便捷性，在未來(lái)的數(shù)據(jù)處理中將發(fā)揮重要的作用。

參 考 文 獻(xiàn)

[1]王穎潔.模糊聚類分析在數(shù)據(jù)挖掘中的應(yīng)用研究[J].大連大學(xué)學(xué)報(bào)，2011，03：1-4.

[2]李晶，楊玚.模糊聚類分析在數(shù)據(jù)挖掘中的應(yīng)用[J].漯河職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2010，05：4-5.