数据挖掘第三版第十章课后习题答案.pdfVIP

10.1 简略介绍如下聚类方法：划分方法、层次方法。每种给出两个例 子。 (1)划分方法：给定一个有 N个对象的集合，划分方法构造数据的 K个 分区，每一个分区表示一个簇，且 K≤N。而且这 K个分组满足下列条 件：第一，每一个分组至少包含一条记录；第二，每一条记录属于且仅 属于一个分组 (注意：这个要求在某些模糊聚类算法中可以放宽 ) ；对于 给定的 K ，算法首先给出一个初始的分组方法，以后通过反复迭代的方 法改变分组，使得每一次改进之后的分组方案都较前一次好，而所谓好 的标准就是：同一分组中的记录越近越好，而不同分组中的记录越远越 好。 使用这个基本思想的算法有： K-MEANS 算法、 K-MEDOIDS 算法、 CLARANS 算法。 (2)层次方法：这种方法对给定的数据集进行层次似的分解，直到某 种条件满足为止。具体又可分为 “自底向上 ”和 “自顶向下 ”两种方案。例 如在 “自底向上 ”方案中，初始时每一个数据记录都组成一个单独的组， 在接下来的迭代中，它把那些相互邻近的组合并成一个组，直到所有的 记录组成一个分组或者某个条件满足为止。 代表算法有： BIRCH 算法、 CURE 算法、 CHAMELEON 算法 等。 10.2 假设数据挖掘的任务是将如下的 8个点（用 (x, y)代表位置）聚类为 3 个簇。 A1(2,10), A2(2,5), A3(8,4), B1(5,8), B2(7,5), B3(6,4), C1(1,2), C2(4,9) 距离函数是欧氏距离。假设初始我们选择 A1 、B1和C1分别为每个簇 的中心，用 k-均值算法给出： （a）在第一轮执行后的 3个簇中心。 （b）最后的 3个簇。 (a)第一轮后 , 三个新的簇为 (1){A1} (2){B1,A3,B2,B3,C2} (3){C1,A2} 簇中心分别为 (1) (2, 10), (2) (6, 6), (3) (1.5, 3.5). (b)最后 3个簇为 (1) {A1,C2,B1}, (2) {A3,B2,B3}, (3) {C1,A2}. 10.6 k-均值和 k- 中心点算法都可以进行有效的聚类。 (a)概述 k-均值和 k- 中心点相比较的优缺点。 (b)概述这两种方法与层次聚类方法 (如AGNES) 相比有何优缺点。 (a)当存在噪声和离群点时 , k- 中心点算法比 k-均值具有更强的鲁棒 性。因为在中心点不像均值那样容易受离群值或其他极端值影响。但 是 , 它的计算开销更大。 (b)k- 均值和 k- 中心点都是划分方法。这种划分方法分优点是，可以撤 销之前的聚类步骤 (通过迭代迁移 ), 不像层次方法 , 一旦执行了拆分或合 并, 就不能做出调整。层次方法的这种弱点可能使产生的聚类的质量受 到影响。 划分方法找球形簇的效果很好。一般来说 ,对于中小型数据库 , 结果 聚类的质量很好。他们需要提前知道簇的数量可以被认为是一个弱点。 层次聚类方法可以自动确定集群的数量。然而 ,他们难以扩展 ,因为每个 分裂或合并的决定可能要求大量对象或集群的检查和评价。然而 , 层次 方法可以与其他聚类方法集成 , 改进聚类 , 如 BIRCH, ROCK, 和 Chameleon. 10.14 聚类已经被