基于JAVA的聚類分析實(shí)現(xiàn)

譚琳

摘要：由于聚類技術(shù)的不斷發(fā)展，近幾年運(yùn)用范圍越來越大，在生物學(xué)上，營銷分析學(xué)上，在對(duì)Internet上的Web中文檔管理上都有很大的運(yùn)用。但是這些跨領(lǐng)域，跨專業(yè)的運(yùn)用需要一個(gè)公用平臺(tái)來實(shí)現(xiàn)，這就是本篇文章提倡的基于Java來實(shí)現(xiàn)聚類分析。

關(guān)鍵詞：聚類技術(shù)、Java

中圖分類號(hào)：TP3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）08-1894-06

1 研究背景

JAVA是一種跨平臺(tái)的語言，靈活性比較大，運(yùn)用范圍廣，能運(yùn)用到各種系統(tǒng)和領(lǐng)域中。聚類技術(shù)最近幾年越來越受到大家的追捧，聚類算法的應(yīng)用也得到了推廣，在生物學(xué)上，聚類能通過基因和蛋白質(zhì)的這兩類的分類或者聚類，對(duì)種群中固定結(jié)果的重新認(rèn)識(shí)和分析，從而推導(dǎo)出不同的植物或者動(dòng)物種類：在市場關(guān)系上，市場分析人員也可以通過聚類發(fā)現(xiàn)客戶數(shù)據(jù)中不同的客戶群體，對(duì)這些群體的不相同類的特征進(jìn)行模式刻畫，從而能預(yù)測某客戶群體的購買類型。不僅如此，聚類也能對(duì)internet上的web中的文檔或者文件進(jìn)行分類，而發(fā)現(xiàn)對(duì)人們有價(jià)值的知識(shí)，此外聚類還可以對(duì)其他方法進(jìn)行預(yù)處理過程，對(duì)這些方法起輔助作用。

基于JAVA的聚類分析的實(shí)現(xiàn)，給聚類技術(shù)的推廣起到推風(fēng)助浪的作用，使得聚類技術(shù)能在更多的領(lǐng)域中拓寬。

2 聚類分析概念

聚類是運(yùn)用數(shù)據(jù)對(duì)象之間的距離，并運(yùn)用相關(guān)的聚類分析原則將對(duì)象逐一劃分到多個(gè)簇（clusters）中。每一個(gè)簇中中也包含了多個(gè)相同類屬對(duì)象，同一個(gè)簇鐘的對(duì)象之間的相似度要比不同簇的相似度大，最終的聚類能使得各簇種對(duì)象的相似度最小，這樣就達(dá)到聚類的目的了。這樣的聚類分析不僅可以對(duì)數(shù)據(jù)分析和知道的挖掘提供數(shù)據(jù)依據(jù)，也可以解開事物數(shù)據(jù)之間的內(nèi)在聯(lián)系和區(qū)分，這使得聚類分析愛成為數(shù)據(jù)挖掘技術(shù)中不可缺少的成員。

3.2 層次聚類

層次聚類是根據(jù)凝聚或分裂的層次分解形式對(duì)數(shù)據(jù)對(duì)象集合進(jìn)行層次分解。分裂的方法是自頂向下的方法，首先把所有的數(shù)據(jù)對(duì)象點(diǎn)歸為一類，然后以此分裂成更小的類，分裂到每個(gè)對(duì)象能夠單獨(dú)在一個(gè)類中為止。凝聚與分裂的方法相反，是一種自底向上的方法，“底”在這里指的是單個(gè)數(shù)據(jù)點(diǎn)，首先以單個(gè)數(shù)據(jù)點(diǎn)作為一個(gè)類，然后對(duì)相近的數(shù)據(jù)對(duì)象進(jìn)行合并歸納成新的類，直到所有的數(shù)據(jù)對(duì)象合并成一個(gè)類為止，這個(gè)類在層次上面叫著的最上層，整個(gè)運(yùn)作過程是自底向上的方式運(yùn)作。常用的算法有利用層次方法的平衡迭代歸約和聚類—BIRCH。

3.3 基于密度的方法

基于密度的方法就是讓最近區(qū)域密度值達(dá)到一定的標(biāo)準(zhǔn)，也就是有一個(gè)具體的閥值即對(duì)象的個(gè)數(shù)，還有就是該區(qū)域半徑值，以這些標(biāo)準(zhǔn)來對(duì)對(duì)象進(jìn)行聚類。用這種方法的好處是避免了劃分方法中發(fā)現(xiàn)球狀簇的局限。例如基于高密度連接區(qū)域的密度聚類方法——DBSCAN。

3.4 基于網(wǎng)格的方法

基于網(wǎng)格的方法就是在網(wǎng)格接結(jié)構(gòu)的基礎(chǔ)上對(duì)數(shù)據(jù)進(jìn)行聚類，我們將采用量化的方式把空間對(duì)象分成有限的數(shù)目單元，這樣就是對(duì)空間對(duì)象進(jìn)行網(wǎng)格。這種算法有—CLIQUE算法。

3.5 基于模型的方法

基于模型的方式就是給定一個(gè)模型，根據(jù)模型的要求尋找最合適的對(duì)象的方法。在對(duì)象空間的密度數(shù)來構(gòu)建一個(gè)模型，通過統(tǒng)計(jì)數(shù)字自動(dòng)來決定聚類的數(shù)目，從而去掉不需要的噪聲數(shù)據(jù)，使得聚類的方法更有力。這種方法有COBWEB算法，網(wǎng)絡(luò)神經(jīng)方法有SOM算法。

3.6 基于約束的方法

對(duì)數(shù)據(jù)的個(gè)體對(duì)象進(jìn)行約束，或者設(shè)置聚類參數(shù)來約束，來進(jìn)行聚類的方法。因?yàn)樵谖覀兊目陀^世界中聚類的問題存在很多的約束條件，但是這些條件都是很發(fā)雜的，往往不被有效的利用出來，從而不能對(duì)這方法進(jìn)行進(jìn)行廣泛的推廣和應(yīng)用。這種方法有COD （Clustering with Ob2structed Distance）。

第三步：計(jì)算每個(gè)聚類中所有對(duì)象的均值，得出新的聚類中心。

第四步：對(duì)新的聚類中心重復(fù)上面的第二和第三步，并得到新的聚類中心，直止新的聚類點(diǎn)不再更新。得出最終的聚類中心。

初值的好壞直接影響到K—Means算法的最后結(jié)果，也可以因?yàn)槌踔档膯栴}導(dǎo)致聚類的結(jié)果有天差萬別，因此要改變K—Means算法的初值的取法，是K—Means算法的改進(jìn)的關(guān)鍵。

中心點(diǎn)的選取不同直接影響到聚類結(jié)果不同，因此初始聚類中心的選擇在 K—Means算法中非常重要。實(shí)際應(yīng)用中，我們即希望中心點(diǎn)能夠盡量分散，也希望這些中心點(diǎn)具有一定的代表性，這也是我們聚類的目的。我們運(yùn)用一種基于試探性的算法---最大最小距離算法可以對(duì)初始聚類中心的選擇做出相對(duì)較好判斷，它能相對(duì)智能地確定最佳的初始聚類的中心，可以提高劃分初始數(shù)據(jù)集的效率，避免過去K—Means算法中選取初始聚類過于鄰近，而導(dǎo)致聚類結(jié)果不佳的情況。

參考文獻(xiàn)：

[1] 朱福喜. Java程序設(shè)計(jì)技巧與開發(fā)實(shí)例[M].北京：人民郵電出版社，2004，2.

[2] 陸惠恩.實(shí)用軟件工程[M].北京：清華大學(xué)出版社，2006，5.

[3] （美）Bruce Eckel著，陳昊天譯.Java編程思想[M].北京：機(jī)械工業(yè)出版社，2007，6.

[4] 朱福喜，黃昊.Java項(xiàng)目開發(fā)與畢業(yè)設(shè)計(jì)指導(dǎo)[M].北京：清華大學(xué)出版社，2008，6.

[5] 鄭人杰，殷人昆.陶永雷.實(shí)用軟件工程[M].北京：清華大學(xué)出版社，2004，11.