【数据聚类】第五章第一节：基于网格的聚类算法概述

基于网格的聚类算法：主要用于处理大规模多维数据的聚类问题。它利用一个网格结构，将数据分布的空间划分为有限数目的单元，然后在这些网格单元上执行聚类操作。基于网格的聚类算法主要优点是能处理大数据集的聚类问题，其处理时间与数据量基本呈线性关系，主要依赖于数据空间的维度和每一维的单元数量。基于网格的聚类算法一般有以下五个典型步骤

• 建立网格结构：将要处理数据所分布的空间用网格的结构进行分割。一维数据用点分割，二维数据用线分割，分割得到的每个小块称之为单元
• 计算单元密度：单元密度是指每个单元数据点的数量与单元空间大小的比值
• 对单元按照密度进行排序：
• 识别簇中心：具有最高密度的单元即为簇中心
• 对邻接单元进行遍历：从簇中心开始，对与其邻接的单元进行遍历，找到同一簇中的其他单元

注意

• 在对单元进行排序和识别簇中心的时候，需要计算每个簇的密度，因此，有些时候基于网格的聚类算法也被视为基于密度的聚类算法
• 一些基于网格的聚类算法也结合了层次聚类（例如GRIDCLUS、STING算法都使用到了层次树结构），因此也被视为基于层次的聚类算法

尽管基于网格的聚类算法能在短时间内完成聚类，但同时也易受到下列类型数据的干扰

• 不统一的数据：由于基于网格的聚类算法使用了单一且不灵活的网格结构，对于那些高度不规则分布的数据，算法很难有效发现其分布结构
• 局部分布的数据：如果数据分布具有局部形状和局部密度问题，那么基于网格的聚类算法将由于受单元大小，边界和有效单元的密度阈值等问题的约束而受到限制

对于这两种类型数据，解决方法分别为

• 自适应网格聚类算法：会将特征空间分成多种分辨率，通过改变网格大小能较好处理数据不统一的问题
• 轴平移算法：这类算法采取轴平移分区策略来识别高密度的区域