DSSP聚類評(píng)價(jià)指標(biāo).pdf

1、隨著信息時(shí)代的來臨，需要管理和分析的數(shù)據(jù)越來越多。這也引發(fā)了新一輪數(shù)據(jù)挖掘的熱潮。數(shù)據(jù)挖掘是指從大量有噪聲、隨機(jī)、不完整、模糊的數(shù)據(jù)中，提取隱含其中且對(duì)我們有用的信息和知識(shí)。而在數(shù)據(jù)挖掘研究中，聚類分析是不可或缺的組成部分。聚類是指將物理或抽象對(duì)象的集合分組，使得每組均由類似的對(duì)象組成，而組與組之間有顯著區(qū)別。目前，流行的聚類算法大致分為以下幾類:劃分方法、層次方法、混合方法和密度方法，這些方法各有優(yōu)缺點(diǎn)。
　　本文將研究聚類分析

2、的一項(xiàng)重要內(nèi)容:如何評(píng)估聚類算法的結(jié)果。我們知道對(duì)同樣的數(shù)據(jù)，采用不同的聚類算法，結(jié)果差異巨大。即使采用同樣的算法，設(shè)置不同的參數(shù)也會(huì)產(chǎn)生差異顯著的結(jié)果。因此，用戶在使用聚類算法面臨的一個(gè)問題是如何選擇聚類算法以及如何設(shè)置參數(shù)。由于聚類分析的數(shù)據(jù)往往缺少類型標(biāo)簽，這意味著對(duì)聚類結(jié)果的評(píng)估并沒有一個(gè)黃金標(biāo)準(zhǔn)。
　　本論文提出了一種新穎的聚類評(píng)估指標(biāo)，它將評(píng)估不同聚類算法或不同參數(shù)產(chǎn)生結(jié)果的優(yōu)劣，從而為用戶選擇最優(yōu)的聚類結(jié)果提供引導(dǎo)。

3、在該指標(biāo)中我們重新定義了數(shù)據(jù)點(diǎn)的密度以及它們之間的距離，并給出了求解數(shù)據(jù)點(diǎn)距離的單源最短路徑算法。通過計(jì)算簇內(nèi)平均距離以及簇間的距離來衡量聚類結(jié)果的優(yōu)劣。本文提出的指標(biāo)與十余種現(xiàn)有的聚類指標(biāo)在多個(gè)數(shù)據(jù)集上進(jìn)行了比較。結(jié)果表明，本文提出的指標(biāo)不僅適用于普通的球狀分布的數(shù)據(jù)，而且對(duì)環(huán)狀分布的數(shù)據(jù)和散點(diǎn)狀分布的數(shù)據(jù)也能評(píng)估出聚類結(jié)果的優(yōu)劣。而大多數(shù)已有指標(biāo)通常只適應(yīng)一種類型的數(shù)據(jù)，對(duì)其它類型的數(shù)據(jù)它們不足以挑選最優(yōu)的聚類結(jié)果。實(shí)驗(yàn)表明，本文提