本篇目录：
- 1、聚类算法有哪几种?
- 2、什么样的大数据集适合聚类分类分析
- 3、聚类分析优缺点
聚类算法有哪几种?
1、聚类算法有：划分法、层次法、密度算法、图论聚类法、网格算法、模型算法。划分法 划分法(partitioning methods)，给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，KN。
2、代表算法有：STING算法、CLIQUE算法、WAVE-CLUSTER算法；模型算法 基于模型的方法(model-based methods)，基于模型的方法给每一个聚类假定一个模型，然后去寻找能够很好的满足这个模型的数据集。
3、聚类分析的算法可以分为划分法、层次法、基于密度的方法、基于网格的方法、基于模型的方法。划分法，给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，KN。
4、聚类分析计算方法主要有： 层次的方法(hierarchical method)、划分方法(partitioning method)、基于密度的方法(density-based method)、基于网格的方法(grid-based method)、基于模型的方法(model-based method)等。
什么样的大数据集适合聚类分类分析
1、聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。它是一种重要的人类行为。聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。
2、可伸缩性：许多聚类算法在小于 200 个数据对象的小数据集合上工作得很好；但是，一个大规模数据库可能包含几百万个对象，在这样的大数据集合样本上进行聚类可能会导致有偏的结果。我们需要具有高度可伸缩性的聚类算法。
3、聚类分析数据类型为数值型，非数值型变量需要做转换，二分类变量（0，1）可以参与聚类分析。聚类多数适用于连续变量，分类变量适用对应分析。聚类分析对极端值敏感，同时变量数据的量纲也会影响到聚类结果，需要做标准化处理。
4、聚类分析的算法可以分为划分法、层次法、基于密度的方法、基于网格的方法、基于模型的方法。划分法，给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，KN。
5、聚类算法的分类有：划分法 划分法(partitioning methods)，给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，K小于N。
6、第一次聚类（聚成4类）有十种可能性，选择AB使得SS值最小，第二次（聚成3类）选择DE使得SS最小，第三次（聚成2类）选择CDE使得SS最小，直到聚成一类。聚类分析是非常有用的，比如在公司可以给客户分类，或者说客户画像。
聚类分析优缺点
1、数学建模中模糊聚类分析法优点：聚类分析模型的优点就是直观，结论形式简明。 缺点：在样本量较大时，要获得聚类结论有一定困难。
2、优点：直观、容易了解。资料的有效利用。容易检验与更新。可以适用于各种研究范围。缺点：每一横向分类的小格中，住户彼此之间的差异性被忽略。
3、优点：距离和规则的相似度容易定义，限制少。不需要预先制定聚类数。在不同粒度水平上对数据进行探测，可以发现类的层次关系。缺点：层次聚类算法要计算邻近度矩阵，所以基本层次聚类算法对时间和空间需求很大。
4、可以聚类成其它形状。需要对均值给出定义，需要指定要聚类的数目，对K值敏感。也就是说，K的选择会较大程度上影响分类效果，对离群点和噪声点敏感，一些过大的异常值会带来很大影响，算法对初始聚类中心选择敏感。
5、二阶聚类分析缺点有哪些，二阶聚类，自动程度高，可同时分析分类与连续变量，但容易受到分类变量的影响。K均值聚类、分层聚类、二阶聚类这三种SPSS的聚类方法各具优点与缺点。
到此，以上就是小编对于大数据聚类分析实验报告的问题就介绍到这了，希望介绍的几点解答对大家有用，有任何问题和不懂的，欢迎各位老师在评论区讨论，给我留言。
微信扫一扫打赏
