数据挖掘之聚类分析详解（三）

聚类分析在数据挖掘工作中是十分重要的技能，如果掌握了聚类分析会使得我们在数据挖掘工作中轻松应对各种问题，在这篇文章中我们继续给大家介绍数据挖掘中聚类分析的知识，希望能够给大家带来帮助。

首先说一说基于网格的聚类算法，这些算法有STING，就是利用网格单元保存数据统计信息，从而实现多分辨率的聚类；而WaveCluster是在聚类分析中引入了小波变换的原理，主要应用于信号处理领域。CLIQUE是一种结合了网格和密度的聚类算法。

其次给大家说一说基于神经网络的聚类算法，这种算法只有一种，局势自组织神经网络SOM，该方法的基本思想是--由外界输入不同的样本到人工的自组织映射网络中，一开始时，输入样本引起输出兴奋细胞的位置各不相同，但自组织后会形成一些细胞群，它们分别代表了输入样本，反映了输入样本的特征。在这一方面的聚类算法中，这种算法是十分重要的。

最后说一说基于统计学的聚类算法，这一类算法中，COBWeb是一个通用的概念聚类方法，它用分类树的形式表现层次聚类；AutoClass是以概率混合模型为基础，利用属性的概率分布来描述聚类，该方法能够处理混合型的数据，但要求各属性相互独立。统计学的算法不多，但是也是不能忽视的。

而聚类分析的应用有很多，在这里我们就以商业和电子商务来跟大家说一说，聚类分析在商业中被用来发现不同的客户群，并且通过购买模式刻画不同的客户群的特征。聚类分析是细分市场的有效工具，同时也可用于研究消费者行为，寻找新的潜在市场、选择实验的市场，并作为多元分析的预处理。聚类分析在电子商务中网站建设数据挖掘中也是很重要的一个方面，通过分组聚类出具有相似浏览行为的客户，并分析客户的共同特征，可以更好的帮助电子商务的用户了解自己的客户，向客户提供更合适的服务。由此可见，聚类分析在行业中的应用是十分广泛的。

说到这里我们就把数据挖掘中的聚类分析的内容给大家讲完了，在这些文章中我们给大家讲述了很多的聚类分析的知识，在庞大的数据中，聚类分析能够给我们解决很大的问题，这也正是聚类分析备受欢迎的原因。我们一定要学会静心尽力去学习掌握这些知识，因为它们会使得我们的工作技能得到非常大的提升，这将是终身受益的。