weka算法系列（cluster）——Canopy（1）

本文主要介绍weka的cluster工具集中的Canopy算法，包括算法原理、算法的应用场景以及算法对输入数据的要求等内容。

算法简介

  Canopy算法是一种比较经典的聚类算法，可称为粗聚类，它的输出并不是最重要的结果，而是为其他精确算法服务的。它不需要事先确定如k-means方法所需的聚类中心个数，并可以粗略地估计出聚类中心的个数之后再采用k-means算法，能有效降低k-means等精确聚类算法的计算复杂度。
  当前Canopy算法在mahout大数据机器学习工具中应用较多，能与hadoop结合产生非常好的计算效果。（其近似计算以降低算力需求的思想非常适合大数据分析算法。）

算法原理

1.一图知大意

图片来源：http://picksesame.blogspot.com/2011/05/canopy-clustering.html

  如上图，Canopy算法有两个阈值T1和T2，算法的核心就是对大于T1、大于T2且小于T1、小于T2三种阈值范围内的instance(实例点)采用不同的处理方式。具体算法流程见下一节。

2.算法流程

当实例集$D$非空时：
  从$D$中选择元素$d$作为canopy $c$；
  从$D$中移除元素$d$；
  对$D$中除元素$d$以外的其它元素进行遍历：
    如果$d_i$与$c$之间的距离$<T_1$，则将$d_i$加入canopy $c$的集合；(*1)
    如果$d$