BIRCH（平衡迭代规约聚类树）是一种内存高效的层次聚类算法，通过构建聚类特征树（CF Tree）对数据进行快速聚类。算法优点包括节省内存、速度快和能识别噪音点，但可能不适用于某些特定形状的数据集，并可能导致聚类结果不准确。CF由样本数量（N）、特征和平方和（LS, SS）组成，构建过程中涉及分支因子B和簇直径阈值T，用于决定树结构和叶节点分裂。BIRCH不需要预设k值，适用于大规模数据集，但在高维特征时表现不佳。"
107033160,8098010,SQL Server 数据库实验：数据更新与视图操作详解,"['数据库管理', 'SQL语法', '数据操作', '视图', '数据库实验']
BIRCH算法(平衡迭代削减聚类法)：聚类特征使用3元组进行一个簇的相关信息，通过构建满足分枝因子和簇直径限制的聚类特征树来求聚类，聚类特征树其实是一个具有两个参数分枝因子和类直径的高度平衡树；分枝因子规定了树的每个节点的子女的最多个数，而类直径体现了对这一类点的距离范围；非叶子节点为它子女的最大特征值；聚类特征树的构建可以是动态过程的，可以随时根据数据对模型进行更新操作。
优缺点：
1） 节约内存，所有的样本都在磁盘上，CF Tree仅仅存了CF节点和对应的指针。
2 ) 聚类速度快，只需要一遍扫描训练集就可以建立CF Tree，CF Tree的增删改都很快。
3 ) 可以识别噪音点，还可以对数据集进行初步分类的预处理。
只适合分布呈凸形或者球形的数据集、需要给定聚类个数和簇之间的相关参数；
节点的CF有限制可能导致，最终的聚类结果与真实值不太一致
BIRCH算法底层是构建一个类似于平衡B+树
8565
1354
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
扫一扫
