用于数据挖掘的聚类算法有哪些，各有何优势

1、层次聚类算法

1.1聚合聚类

1.1.1相似度依据距离不同：Single-Link:最近距离、Complete-Link：最远距离、Average-Link：平均距离

1.1.2最具代表性算法

1）CURE算法
特点：固定数目有代表性的点共同代表类
优点：识别形状复杂，大小不一的聚类，过滤孤立点
2）ROCK算法
特点：对CURE算法的改进
优点：同上，并适用于类别属性的数据
3）CHAMELEON算法
特点：利用了动态建模技术
1.2分解聚类

1.3优缺点

优点：适用于任意形状和任意属性的数据集；灵活控制不同层次的聚类粒度，强聚类能力
缺点：大大延长了算法的执行时间，不能回溯处理

2、分割聚类算法
2.1基于密度的聚类

2.1.1特点

将密度足够大的相邻区域连接，能有效处理异常数据，主要用于对空间数据的聚类
2.1.2典型算法

1）DBSCAN：不断生长足够高密度的区域
2）DENCLUE：根据数据点在属性空间中的密度进行聚类，密度和网格与处理的结合
3）OPTICS、DBCLASD、CURD：均针对数据在空间中呈现的不同密度分不对DBSCAN作了改进
2.2基于网格的聚类

2.2.1特点

利用属性空间的多维网格数据结构，将空间划分为有限数目的单元以构成网格结构；
1）优点：处理时间与数据对象的数目无关，与数据的输入顺序无关，可以处理任意类型的数据
2）缺点：处理时间与每维空间所划分的单元数相关，一定程度上降低了聚类的质量和准确性
2.2.2典型算法

1）STING：基于网格多分辨率，将空间划分为方形单元，对应不同分辨率
2）STING+：改进STING，用于处理动态进化的空间数据
3）CLIQUE：结合网格和密度聚类的思想，能处理大规模高维度数据
4）WaveCluster：以信号处理思想为基础
2.3基于图论的聚类

2.3.1特点

转换为组合优化问题，并利用图论和相关启发式算法来解决，构造数据集的最小生成数，再逐步删除最长边
1）优点：不需要进行相似度的计算
2.3.2两个主要的应用形式

1）基于超图的划分
2）基于光谱的图划分
2.4基于平方误差的迭代重分配聚类

2.4.1思想

逐步对聚类结果进行优化、不断将目标数据集向各个聚类中心进行重新分配以获最优解
2.4.2具体算法

1）概率聚类算法
期望最大化、能够处理异构数据、能够处理具有复杂结构的记录、能够连续处理成批的数据、具有在线处理能力、产生的聚类结果易于解释
2）最近邻聚类算法——共享最近邻算法SNN
特点：结合基于密度方法和ROCK思想，保留K最近邻简化相似矩阵和个数
不足：时间复杂度提高到了O(N^2)
3）K-Medioids算法
特点：用类中的某个点来代表该聚类
优点：能处理任意类型的属性；对异常数据不敏感
4）K-Means算法
1》特点：聚类中心用各类别中所有数据的平均值表示
2》原始K-Means算法的缺陷：结果好坏依赖于对初始聚类中心的选择、容易陷入局部最优解、对K值的选择没有准则可依循、对异常数据较为敏感、只能处理数值属性的数据、聚类结构可能不平衡
3》K-Means的变体
Bradley和Fayyad等：降低对中心的依赖，能适用于大规模数据集
Dhillon等：调整迭代过程中重新计算中心方法，提高性能
Zhang等：权值软分配调整迭代优化过程
Sarafis：将遗传算法应用于目标函数构建中
Berkh in等：应用扩展到了分布式聚类
还有：采用图论的划分思想，平衡聚类结果，将原始算法中的目标函数对应于一个各向同性的高斯混合模型
5）优缺点
优点：应用最为广泛；收敛速度快；能扩展以用于大规模的数据集
缺点：倾向于识别凸形分布、大小相近、密度相近的聚类；中心选择和噪声聚类对结果影响大
3、基于约束的聚类算法

3.1约束

对个体对象的约束、对聚类参数的约束；均来自相关领域的经验知识
3.2重要应用

对存在障碍数据的二维空间按数据进行聚类,如COD(Clustering with Obstructed Distance)：用两点之间的障碍距离取代了一般的欧式距离
3.3不足

通常只能处理特定应用领域中的特定需求
4、用于高维数据的聚类算法

4.1困难来源因素

1）无关属性的出现使数据失去了聚类的趋势
2)区分界限变得模糊
4.2解决方法

1)对原始数据降维
2)子空间聚类
CACTUS：对原始空间在二维平面上的投影
CLIQUE：结合基于密度和网格的聚类思想，借鉴Apriori算法
3)联合聚类技术
特点：对数据点和属性同时进行聚类
文本：基于双向划分图及其最小分割的代数学方法
4.3不足：不可避免地带来了原始数据信息的损失和聚类准确性的降低

聚类方法的分类，主要分为层次化聚类算法，划分式聚类算法，基于密度的聚类算法，基于网格的聚类算法，基于模型的聚类算法等。

而衡量聚类算法优劣的标准主要是这几个方面：处理大的数据集的能力；处理任意形状，包括有间隙的嵌套的数据的能力；算法处理的结果与数据输入的顺序是否相关，也就是说算法是否独立于数据输入顺序；处理数据噪声的能力；是否需要预先知道聚类个数，是否需要用户给出领域知识；算法处理有很多属性数据的能力，也就是对数据维数是否敏感。

.聚类算法主要有两种算法，一种是自下而上法（bottom-up），一种是自上而下法（top-down）。这两种路径本质上各有优势，主要看实际应用的时候要根据数据适用于哪一种，Hierarchical methods中比较新的算法有BIRCH主要是在数据体量很大的时候使用；ROCK优势在于异常数据抗干扰性强……

关于数据挖掘的相关学习，推荐CDA数据师的相关课程，课程以项目调动学员数据挖掘实用能力的场景式教学为主，在讲师设计的业务场景下由讲师不断提出业务问题，再由学员循序渐进思考并操作解决问题的过程中，帮助学员掌握真正过硬的解决业务问题的数据挖掘能力。这种教学方式能够引发学员的独立思考及主观能动性，学员掌握的技能知识可以快速转化为自身能够灵活应用的技能，在面对不同场景时能够自由发挥。点击预约免费试听课。