文档库

最新最全的文档下载
当前位置:文档库 > 数据挖掘作业

数据挖掘作业

第4章聚类分析

4.1 什么是聚类?简单描述如下的聚类方法:划分方法,层次方法,基于密度的方法,基于模型的方法。

为每类方法给出例子。

4.2 假设数据挖掘的任务是将如下的8个点(用(x,y)代表位置)聚类为三个簇。

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Euclidean 函数。假设初始我们选择A1,B1和C1为每个簇的中心,用k-means 算法来给出

(a) 在第一次循环执行后的三个簇中心;

(b) 最后的三个簇中心及簇包含的对象。

4.3 聚类被广泛地认为是一种重要的数据挖掘方法,有着广泛的应用。对如下的每种情况给出一个应用例

子:

(a) 采用聚类作为主要的数据挖掘方法的应用;

(b) 采用聚类作为预处理工具,为其它数据挖掘任务作数据准备的应用。

4.4 假设你将在一个给定的区域分配一些自动取款机以满足需求。住宅区或工作区可以被聚类以便每个簇

被分配一个ATM。但是,这个聚类可能被一些因素所约束,包括可能影响A TM 可达性的桥梁,河流和公路的位置。其它的约束可能包括对形成一个区域的每个地域的A TM 数目的限制。给定这些约束,怎样修改聚类算法来实现基于约束的聚类?

4.5 给出一个数据集的例子,它包含三个自然簇。对于该数据集,k-means(几乎总是)能够发现正确的簇,

但二分k-means不能。

4.6 总SSE是每个属性的SSE之和。如果对于所有的簇,某变量的SSE都很低,这意味什么?如果只对

一个簇很低呢?如果对所有的簇都很高?如果仅对一个簇高呢?如何使用每个变量的SSE信息改进聚类?

4.7 使用基于中心、邻近性和密度的方法,识别图4-19中的簇。对于每种情况指出簇个数,并简要给出你

的理由。注意,明暗度或点数指明密度。如果有帮助的话,假定基于中心即K均值,基于邻近性即单链,而基于密度为DBSCAN。

数据挖掘作业

图4-19 题4.7图

4.8 传统的凝聚层次聚类过程每步合并两个簇。这样的方法能够正确地捕获数据点集的(嵌套的)簇结构

吗?如果不能,解释如何对结果进行后处理,以得到簇结构更正确的视图。

4.9 我们可以将一个数据集表示成对象节点的集合和属性节点的集合,其中每个对象与每个属性之间有一

条边,该边的权值是对象在该属性上的值。对于稀疏数据,如果权值为0,则忽略该边。双划分聚类(Bipartite)试图将该图划分成不相交的簇,其中每个簇由一个对象节点集和一个属性节点集组成。目标是最大化簇中对象节点和属性节点之间的边的权值,并且最小化不同簇的对象节点和属性节点之间的边的权值。这种聚类称作协同聚类(co-clustering),因为对象和属性之间同时聚类。

(a) 双划分聚类(协同聚类)与对象和属性集分别聚类有何不同?

(b) 是否存在某些情况,这些方法产生相同的结果?

(c) 与一般聚类相比,协同聚类的优点和缺点是什么?

4.10 SNN相似度。

数据挖掘作业

数据挖掘作业

4.11对于SNN相似度定义,SNN距离的计算没有考虑两个最近邻表中共享近邻的位置。换言之,可能希

望基于以相同或粗略相同的次序共享最近邻的两个点以更高的相似度。

(a) 描述如何修改SNN相似度定义,基于以粗略相同的次序共享近邻的两个点以更高的相似度;

(b) 讨论这种修改的优点和缺点。

4.12 一种稀疏化邻近度矩阵的方法如下:对于每个对象,除对应于对象的k-最近邻的项之外,所有的项都

设置为0。然而,稀疏化之后的邻近度矩阵一般是不对称的。

(a) 如果对象a在对象b的k-最近邻中,为什么不能保证b在对象a的k-最近邻中?

(b) 至少建议两种方法,可以用来使稀疏化的矩阵是对称的。

4.13给出一个簇集合的例子,其中基于簇的接近性的合并得到的簇集合比基于簇的连接强度(互连性)的合

并得到的簇集合更自然。