什么是CLIQUE算法？

CLIQUE是第一个针对高维空间中维度增长子区域聚类的算法。在维度增长子区域聚类中，聚类过程从一维子空间开始，向上扩展到更高维子空间。

因为CLIQUE将每个维度划分为网格结构，并根据单元格包含的多个点来判断单元格是否密集。它可以看作是基于密度和基于网格的聚类方法的集成。

CLIQUE聚类算法的思想如下：

  • 给定一大组多维数据点，数据空间通常不会被数据点均匀地占据。CLIQUE的聚类识别空间中稀疏和“拥挤”的区域（或单元），从而找到数据集的完整分布模式。

  • 如果单元中包含的数据点比例超过输入模型参数，则该单元是密集的。在CLIQUE中，一个聚类表示为一组最大连接的密集单元。

CLIQUE通过两个过程实现多维聚类：第一个过程，CLIQUE将d维数据空间划分为不重叠的矩形单元，识别这些单元中的密集单元。这对于每个维度（在一维中）都完成了。

学生搜索空间的识别取决于关联规则挖掘中使用的Apriori性质。通常，该性质利用搜索区域中项目的先验知识，以便可以修剪部分区域。

CLIQUE的性质如下：如果一个k维单元是密集的，那么它在(k-1)维空间中的投影也是密集的。也就是说，给定一个k维学生密集单元，如果它可以检查其(k-1)维投影单元并发现一些非密集单元，那么它可以理解k维单元也不可能是密集的。

因此，它可以从(k-1)维空间中找到的密集单元中生成k维空间中的潜在或学生密集单元。通常，最终搜索的空间远小于原始空间。密集单元被检查以确定聚类。

在第二个过程中，CLIQUE对每个聚类进行最小描述，如下所示。对于每个聚类，它确定覆盖连接的密集单元聚类的最大区域。它为每个聚类确定一个最小覆盖（逻辑描述）。

CLIQUE必然会发现包含高密度聚类的最大维度子空间。它对输入对象的顺序不敏感，并且不假设任何规范的数据分布。它随输入大小线性扩展，并且随着数据中维度的增加，具有最佳的可扩展性。

更新于：2022年2月17日

2K+ 次浏览

开启你的职业生涯

完成课程获得认证

开始学习
广告