基于网格的聚类算法CLIQUE

Posted 2021-08-30 Data+Science+Insight

基于网格的聚类算法CLIQUE

 

 聚类算法很多，包括基于划分的聚类算法（如：kmeans），基于层次的聚类算法（如：BIRCH），基于密度的聚类算法（如：DBScan），基于网格的聚类算法等等。基于划分和层次聚类方法都无法发现 非凸面形状 的簇，真正能有效发现任意形状簇的算法是基于密度的算法，但基于密度的算法一般时间复杂度较高，1996年到2000年间，研究数据挖掘的学者们提出了大量基于网格的聚类算法，网格方法可以有效减少算法的计算复杂度，且同样对密度参数敏感。

基于网络的方法：这类方法的原理就是将数据空间划分为网格单元，将数据对象集映射到网格单元中，并计算每个单元的密度。根据预设的 密度阈值 判断每个网格单元是否为 高密度单元，由邻近的稠密单元组形成 “类”（簇）

算法的核心步骤：

1. 划分网格
2. 使用网格单元内数据的统计信息对数据进行压缩表达
3. 基于这些统计信息判断高密度网格单元
4. 最后将相连的高密度网格单元识别为簇

网格聚类主要算法：

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. CLIQUE࿱