【数据挖掘】网格聚类STING、概念聚类COBWEB和模糊聚类的讲解（图文解释）

需要完整PPT请点赞关注收藏后评论区留言私信~~~

除了常用的划分聚类、层次聚类和密度聚类方法之外，还有一些聚类方法如网格聚类方法STING、概念聚类COBWEB和模糊聚类方法等

1.STING算法

STING（Statistical Information Grid_based Method）是一种基于网格的多分辨率的聚类技术，它将输入对象的空间区域划分成矩形单元，空间可以用分层和递归方法进行划分。这种多层矩形单元对应不同的分辨率，并且形成一个层次结构，每个高层单元被划分为低一层的单元。有关每个网格单元的属性的统计信息（如均值、最大值和最小值）被作为统计参数预先计算和存储

STING算法采用了一种多分辨率的方法进行聚类分析，该聚类算法的质量取决于网格结构最底层的粒度，如果粒度较细，处理的代价会显著增加，但如果粒度较粗，则聚类质量会受到影响

STING算法效率高，通过对数据集扫描一次计算单元的统计信息，因此产生聚类的时间复杂度为O(N)，在建立层次结构以后，查询的时间复杂度为O(g) g<

2.COBWEB模糊聚类

概念聚类是机器学习中的一种聚类算法。大多数的概念聚类方法采用了统计学方法，在决定概念或聚类时使用概率度量。COBWEB算法即简单增量概念聚类算法，以一个分类树的形式创建层次聚类，它的输入对象用分类属性-值对进行描述

分类树和判定树不同，分类树中的每个节点对应一个概念，包含该概念的一个概率描述，概述被分在该节点下的对象，概率描述包括概念和等条件概率

3 .模糊聚类

前面介绍的几种聚类算法可以导出确定的类，即一个数据点最多仅属于一个类，具有非此即彼的性质，这些聚类方法称为确定性分类或者硬划分，而实际上大多数对象并没有严格的所属关系，具有互相包含的关系，因此适合软划分

 

FCM算法流程图描述如下

 

FCM算法是一种梯度下降优化算法 对初始值非常敏感并且容易获得局部最优解 

 创作不易 觉得有帮助请点赞关注收藏~~~