美林数据
ABOUT US
美林数据技术股份有限公司(简称:美林数据,NEEQ:831546)是国内知名的数据治理和数据分析服务提供商。

大话数据挖掘之聚类分析(下篇)

2021-02-02 15:59:00
人物介绍
许教授:国内数据挖掘专家、某985高校智能信息处理学术带头人
赵总:某电力公司总经理
万总:某超市集团营销副总
李部长:某钢铁集团生产部部长
 
某985高校管理学院第五届EMBA班的《数据挖掘及其应用》课程上。
国内数据挖掘专家、智能信息处理学术带头人徐教授站在讲台上打开PPT说:“同学们,大家好!今天我们接着上一节课关于聚类分析的内容展开。”
徐教授:“上节课我们讲了k-Means算法和k-Medoids算法的第一个不足。第二个不足就是这两种算法不适用于发现非球状的簇。原因是这类算法使用距离来描述数据之间的相似性,但是,对于非球状数据集,只用距离来描述是不够的。”
“那遇到非球状的聚类问题可怎么办呢?”万总问道。
徐教授答道:“对于这种情况,要用密度来代替相似性设计聚类算法,这就是基于密度的聚类算法即Density-based Method。基于密度的算法从数据对象的分布密度出发,把密度足够大的区域连接起来,从而可以发现任意形状的簇,而且此类算法还能够有效去除噪声。常见的基于密度的聚类算法有DBSCAN,OPTICS,DENCLUE等。”
李部长已经沉默了好长时间,他担心万总又有什么问题影响徐教授的教学进度,赶紧插话道:“徐老师,您刚才说还有一种层次方法,这种聚类方法的思想……”
徐教授:“好,我现在就介绍一下层次方法即Hierarchical Method的基本思想。这种方法按数据分层建立簇,形成一棵以簇为节点的树。如果自底向上进行层次聚集,则称为凝聚的(Aggalomerative)层次聚类;如果自顶向下的进行层次分解,则称为分裂法(Divisive)的层次聚类。”
徐教授润了润嗓子,继续讲道:“凝聚的层次聚类首先将每个对象作为一个簇,然后逐渐合并这些簇形成较大的簇,直到所有的对象都在同一个簇中,或者满足某个终止条件。分裂的层次聚类与之相反,它首先将所有的对象置于一个簇中,然后逐渐划分为越来越小的簇,直到每个对象自成一簇,或者达到了某个终止条件,例如达到了某个希望的簇数目,或两个最近的簇之间的距离超过了一定的阈值。”
李部长一直认真地听着,不断地点头表示他明白了层次聚类的思想。随后,他提问道:“徐老师,层次聚类算法有什么缺点?”
徐教授:“层次方法可以在不同粒度水平上对数据进行探测,而且容易实现相似度量或距离度量。但是,单纯的层次聚类算法的终止条件含糊,而且执行合并或分裂簇的操作不可修正,这很可能导致聚类结果质量很低。另外,由于需要检查和估算大量的对象或簇才能决定簇的合并或分裂,所以这种方法的可扩展性较差。因此,通常在解决实际聚类问题时要把层次方法与其他方法结合起来。层次方法和其他聚类方法的有效结合可以形成多阶段聚类,能够改善聚类质量。这类方法包括BIRCH、CURE、ROCK、Chameleon算法等。”
李部长迫不及待地说:“徐老师,您刚才讲了这么多聚类方法,我发现它们有一个共同的缺点,就是算法无法回答数据对象到底可以聚集为多少类,据说你们研究团队发明了一种视觉聚类算法,很好地解决了这一问题。我们几个人昨天晚上还打赌,我说您今天肯定会讲视觉聚类算法,可都要快下课了,您根本没有提及视觉两字。我们都等不及了,您还是让我们大家欣赏一下视觉聚类的神奇魅力吧!”
说到视觉聚类算法,徐教授脸上露出了会心的微笑。
“好的。视觉聚类算法是基于我们所建立的尺度空间理论建立的,运用这种算法可以对卫星传回的原始图像进行分析,把具有相似属性的事物聚到同一簇中,例如将其用于香港地区地表高精度遥感图像聚类、混杂遥感图像中线状目标如地震带、高速公路、机场跑道等目标识别等。”
李部长听到这里,激动得跳了起来:“徐老师,看来视觉聚类算法有可能用于我们板材表面条纹、夹杂、重皮等质量问题的自动检测,我们试试吧!”
蛋白质分析
蛋白质分析

 
徐教授接着说:“李部长的联想很丰富呀,国内外不少已经将这种方法试验过了。美国乔治亚大学Lan小组、美国马里兰大学DeMenthon小组、中科环境与地理信息重点实验室等先后将视觉聚类算法用于地理数据的图像处理,还有比利时Namur大学著名的化学家Leherte教授所领导的实验室将视觉聚类算法应用到生物计算,进行胃蛋白酶配合体的匹配、分子电流密度函数、蛋白质分子的结构表达等研究。”
赵总:“徐老师,视觉聚类算法可太有用了,真棒!”
徐教授非常高兴:“不谦虚地说,视觉聚类算法确实有其独到之处,其基本思想非常独特:将数据集看作图像,将数据建模问题看作认知问题,通过模拟认知心理学的格式塔原理原理与生物视觉原理解决问题。”
“且慢且慢,什么是格式塔原理?”李部长打断了徐教授的话语。
徐教授翻动了一下PPT:“很简单,格式塔原理就是物体的整体是由局部特征组织在一起的认知原则,请看屏幕。”


格式塔原理

“我们将相似率、连续率、闭合率、近邻率和对称率作为聚类的基本原则,模拟人的眼睛由近到远观察景物的过程设计算法进行聚类。随着人由近及远,也就是观察尺度由小变大,所看到的景物的层次会逐渐变化,实际上这就是一个聚类的过程。”徐教授边说边翻了一下PPT。

聚类分析

李部长听得如醉如痴,看着PPT上视觉聚类的示意图,突然,他冒出了一个新的问题:“徐老师,我明白了,在近处,所聚的类会很多,在远处,所聚的类会很少,在很远处,所看到的东西就成为一个类别了。您说,到底聚为多少类最为合适呢?”
徐教授点了点头:“李部长的双核脑袋就是转得快,一下子问道了视觉聚类的关键。随着尺度σ由小变大,聚类的个数在发生变化,但会出现尺度σ在很大范围内变化,而聚类的个数却稳定不变的情况。这个聚类个数存活周期最长,它就是最佳的聚类个数!”
“太妙了,视觉聚类理论通过引进类的生存寿命概念,给出了类的认知定义,解决了聚类有效性问题。数学上严格证明了结构的因果性即类的演化单调性,由此形成了尺度空间聚类的一般性理论框架。”李部长流利地对视觉聚类进行了总结。
徐教授对李部长的话感到纳闷:“李部长,你不是做数据挖掘研究的,不可能给出这么深刻的总结吧!”
李部长笑了笑:“嘿嘿,这是我从网上看到的有人对视觉聚类方法的评价。”
下课铃响了,徐教授边合上电脑边说:“聚类方法我们就简单学习到这儿,下一节可咱们一起讨论数据挖掘非常重要的内容——预测。”
“今天关于关联规则挖掘的内容就介绍到这里。同学们,下节课见!”

服务热线
400-608-2558
咨询热线
029-88696198
美林数据
微信扫描二维码,立即在线咨询