数据挖掘之聚类分析

1. 聚类分析是依据样本间关联的量度标准将样本自动分成几组，使同一群组内的样本相似，而不同群组的样本相异的一组方法，聚类分析系统的输入是一组样本和一个度量两个样本间相似度（或相异度）的标准，聚类分析的输出是数据集的几个组，这些组构成一个分区或者一个分区结构
2. 聚类分析是根据所度量或感知到的内在特征或相似性，对对象分组或聚类分析的正式研究方法和算法，聚类的样本用度量指标的一个向量来表示，更正式的说法是，用多维空间的一个点表示，同聚类中的样本彼此相似，其相似度高于不同聚类中的样本
3. 聚类分析（无指导分类）的目的是基于未标识类的训练数据集构造判别边界
4. 聚类是一个非常难的问题，因为在n维的数据空间中，数据所揭示出的聚类可以用不同的形状和大小，为了深入研究，数据中聚类的数量常常依据我们观察到的数据的精确度来定
5. 聚类的规范化描述
   A: 通过它们的重心或聚类中的一组远点（边界点）表示n维空间的一类点
   B: 使用聚类树中的节点图形化地表示一个类
   C: 使用样本属性的逻辑表达式表示聚类
6. 大多数聚类算法都基于下面两种方法：
   A: 层次聚类
   B: 迭代的平方误差分区聚类
   层次方法按群组的嵌套顺序组织数据，以树状图或属性结构来表示，平方误差分区算法试图得到一个使类内分散度最小而类间分散度最大的分区，这种方法是非层次的，因为得到的所有类都是在同一个分区水平上的样本群组，为了保证获得最优解，必须检验n维N个样本分成K个聚类的所有可能的分区
7. 相似度的度量
   为了规范化相似度的度量标准，在样本空间X的聚类算法中，用一个数据向量表示一个样本x（或特征向量，观察值）
8. 定量特征能够细分成：
   A: 连续值（例如实数）B:离散值 C: 区间值
   定性特征: A: 名义型或无序型 B: 顺序型
9. 由于相似度是定义聚类的基础，所以同一特征空间中两个模式的相似度标准对大多数聚类算法是必不可少的，因为聚类过程的质量取决于对这个度量标准的选择，所以必须仔细选取
10. 在样本空间中，距离标准可以是度量的或者是拟度量的，用来量化样本的相异度