凝聚层次聚类是一种自下而上的聚类方法，其中聚类包含子聚类，子聚类依次包含子聚类，等等。它首先将每个对象放在自己的聚类中，然后将这些原子聚类组合成越来越高的聚类，直到一些对象位于同一个聚类中，或者直到满足某个特定的终止条件。几种层次聚类方法被用于此目的。它们仅在其对聚类间相似性的描述上有所不同。例如，一种称为 AGNES（凝聚嵌套）的方法使用单链接技术，并按如下方式操作。假设有一组放置在矩形中的对象。最初，每个对象... 阅读更多

二分K均值算法是对基本K均值算法的一个简单扩展，它依赖于一个简单的概念，例如，为了获得K个聚类，将一组点分成两个聚类，选择其中一个聚类进行分割，等等，直到产生了K个聚类。k均值算法接收输入参数k，并将一组n个对象划分为k个聚类，使得生成的聚类内相似性高，而聚类间相似性低。聚类相似性是根据聚类中对象的平均值来评估的，该平均值可以被视为聚类的... 阅读更多

K均值算法存在各种问题，如下所示：处理空聚类 - 之前给出的基本K均值算法的第一个问题是，如果在分配阶段没有点分配给某个聚类，则可能会获得空聚类。如果发生这种情况，则需要一种方法来选择一个替换质心，因为平方误差将大于必要值。一种方法是选择距离某个最近质心最远的点。如果这去除了当前贡献某个总平方误差的点。另一种方法是选择替换... 阅读更多

K均值聚类是最常见的划分算法。K均值将数据集中的每个数据重新分配到形成的新聚类中的一个。使用距离或相似性度量将记录或数据点分配到最近的聚类。k均值算法接收输入参数k，并将一组n个对象划分为k个聚类，使得生成的聚类内相似性大，而聚类间相似性低。聚类相似性是根据聚类中对象的平均值来计算的，该平均值可以被视为聚类的质心或重心。有... 阅读更多

聚类分析用于根据对这些记录进行的各种度量形成相同记录的组或聚类。它可以以有利于分析目标的方式定义聚类。这些数据已用于多个领域，例如天文学、考古学、医学、化学、教育、心理学、语言学和社会学。聚类的类型多种多样，如下所示：分离良好的 - 聚类是一组对象，其中每个元素都比不在该聚类中的某个对象更靠近该聚类中的每个其他元素。有时可以使用阈值... 阅读更多

聚类的类型多种多样，如下所示：层次与划分 - 不同类型聚类之间的区别在于聚类集是嵌套的还是非嵌套的，或者用更流行的术语来说，是层次的还是划分的。划分聚类是将一组数据对象划分为不重叠的子集（聚类），其中每个数据对象都恰好属于一个子集。它可以允许聚类具有子聚类，因此需要层次聚类，这是一种嵌套聚类的集合，被组织成树状结构。树中每个节点（聚类）（除了叶子节点）都是... 阅读更多

将一组物理或抽象对象组合成相同对象的类的过程称为聚类。聚类是一组数据对象，这些对象在同一聚类内彼此相同，并且与其他聚类中的对象不同。在许多应用中，可以将数据对象的聚类作为一个整体来考虑。聚类分析是一项重要的活动。聚类分析用于根据对这些记录进行的各种度量形成相同记录的组或聚类。关键设计是定义聚类... 阅读更多

有两种方法可以使用（概念层次结构和一种称为间接关联的基于邻域的方法）来确定模式的预期支持。基于概念层次结构的支持期望仅使用客观度量不足以消除无趣的非频繁模式。例如，假设面包和笔记本电脑是频繁项。即使项集 {面包，笔记本电脑} 不频繁并且可能负相关，它也不令人感兴趣，因为它们的缺乏支持对于领域专家来说是显而易见的。因此，需要一种主观方法来确定预期支持，以避免生成这种非频繁模式。基于间接关联的支持期望考虑一对项，... 阅读更多

为挖掘非频繁模式而开发的第一类技术将每个项视为一个对称二元变量。事务信息可以通过用负项对其进行增强来二值化。它显示了一个将初始数据更改为包含正项和负项的事务的实例。通过对增强的事务使用包括 Apriori 在内的当前频繁项集生成算法，可以导出一些负项集。这种方法仅在将多个变量视为对称二元（即，考虑仅包含少量项的否定项的负模式）时才可能。如果每个项应该... 阅读更多

处理图同构问题的标准方法是将每个图映射到一个特定的字符串表示形式，称为其代码或规范标签。规范标签具有以下属性：如果两个图同构，则它们的代码应该相等。此属性使我们能够通过分析图的规范标签来测试图同构。构建图的规范标签的第一步是找到该图的邻接矩阵描述。它显示了给定图的此类矩阵的一个实例。一个图可以具有多个邻接矩阵... 阅读更多