文献综述--基于数据挖掘的聚类算法研究综述

《文献综述--基于数据挖掘的聚类算法研究综述》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、文献综述学生姓名：学号：专业：网络工程班级：文献综述题目：基于数据挖掘的聚类算法研究综述引用文献：中文7篇；英文7篇；其中期刊：10种；专著　3本；引用文献时间跨度：1967年～2015年指导教师审阅签名：摘要：现代社会是一个高速发展的社会，交通便利，信息流通，人与人之间的交流越来越密切，在这样一个环境下，数据也在爆炸式增长。为了从海量的数据中提取有价值的信息，数据挖掘应运而生。而聚类算法作为数据挖掘的重要工具之一，在生物学、商务和WEB文档分类等方面得到广泛的应用。本文就数据挖掘中的聚类算法展开讨论。首先总结了基于数据挖掘的聚类算法的研究的目的和意义、国内外研究现状，然后

2、简要阐述并归纳了传统的聚类算法，最后分析了数据挖掘领域内聚类算法的新发展。Abstract:Modernsocietyisahigh-speeddevelopmentofthesociety.Theconvenienttransportation,theflowinginformationandthecommunicationbetweenpeoplewhichiscloserandcloserarechangingourlives.Insuchanenvironment,thedataisalsointheexplosivegrowth.Inordertoextractv

3、aluableinformationfromthevastamountofdata,dataminingemergesasthetimesrequire.Clusteringalgorithm,asoneoftheimportanttoolsofdatamining,hasbeenwidelyusedinbiology,businessandWEBdocumentclassification.Inthispaper,wediscusstheclusteringalgorithmindatamining.Firstly,wesummarizethebasedoncluster

4、ingalgorithmofdataminingresearchpurposeandsignificance,thedomesticandforeignresearchstatus.Then,webrieflyanalyzedandsummarizedthetraditionalclusteringalgorithm.Finally,thepaperanalyzesthenewdevelopmentsinthefieldofclassclusteringalgorithmofdatamining.关键词：数据挖掘；聚类算法；新发展引言：资料显示，目前每天全球互联网流量累计达

5、2.5EB。人们已经明显感受到了大数据的来势凶猛。大数据不是掌握的数据越多越好，大数据的任务应当是从海量的数据中挖掘出有用的信息。数据挖掘有很多方法，其中聚类方法是数据挖掘应用最多的方法之一，所以本文针对基于数据挖掘的聚类算法的研究状况进行总结。1.研究的目的和意义我国古时的一句名言“物以类聚，人以群分”就体现了聚类思想，随着科技不断进步，这一思想也被发扬光大。聚类分析就是将聚类对象按照一定的规则分类，在某一类内，所有的对象之间的差别较小，而在不同的类，聚类对象的差别就相对而言较大一些了。[1]聚类算法的目的是寻找数据中潜在的自然分组结构，而聚类分析则是用已有的数学方法对所

6、给的数据对象进行分类以及表示不同的类的相似度，是在数据不做任何假设时进行分析计算的工具，它是机器学习中获取知识的非常重要的步骤。通过聚类分析，人们可以将数据按照一定的规则分类，以便于挖掘出有用的信息。根据潜在的各种不同的业务需要，因而对聚类算法提出了各种要求，具体如下[2]：（1）可伸缩性：很多算法当只有少量的数据对象时聚类效果很好，对于大数据集时就会产生不同的错误。（2）具有处理不同类型属性的能力：可以处理不同种类的数据，如数值型或非数值型、离散或连续域内的数据等。（3）能够发现任意形状的聚类：一般的聚类方法用欧式距离来衡量数据的相似度，但是这样的算法只能发现具有相似密度

7、和尺度的球状簇，而这无法满足各种不同应用的需要，好的聚类算法应该能够有效而正确地发现任意形状的聚类。（4）对输入参数不依赖：在聚类分析中，有很多聚类算法需要用户输入一些参数，聚类结果却对输入的参数非常敏感，只要参数稍有变动，结果就大不相同。（5）聚类结果对输入数据顺序的低敏感性：对于同一个数据集，只是改变了输入数据的顺序，用同一个算法进行聚类，聚类效果却有所不同，这在实际应用中是不应当存在的。（6）处理噪声和高维数据的能力：现实世界里，大部分的数据都不是完美的，可能有各种各样的问题，孤立点、空缺等，好的方法应当可以