数据挖掘层次聚类python实现_数据挖掘笔记-聚类-Canopy-原理与简单实现

Canopy聚类算法是一个将对象分组到类的简单、快速、精确地方法。每个对象用多维特征空间里的一个点来表示。这个算法使用一个快速近似距离度量和两个距离阈值

T1>T2来处理。基本的算法是，从一个点集合开始并且随机删除一个，创建一个包含这个点的Canopy，并在剩余的点集合上迭代。对于每个点，如果它的距离第一个点的距离小于T1，然后这个点就加入这个聚集中。除此之外，如果这个距离

Canopy算法其实本身也可以用于聚类，但它的结果可以为之后代价较高聚类提供帮助，其用在数据预处理上要比单纯拿来聚类更有帮助。Canopy聚类经常被用作更加严格的聚类技术的初始步骤，像是K均值聚类。建立canopies之后，可以删除那些包含数据点数目较少的canopy，往往这些canopy是包含孤立点的。

Canopy算法的步骤如下:

(1) 将所有数据放进list中，选择两个距离，T1，T2，T1>T2

(2)While(list不为空)

{

随机选择一个节点做canopy的中心；并从list删除该点；

遍历list：

对于任何一条记录，计算其到各个canopy的距离；

如果距离

如果距离

如果到任何canopy中心的距离都>T1,那么将这条记录作为一个新的canopy的中心，并从list中删除这个元素；

}

需要注意的是参数的调整：

当T1过大时，会使许多点属于多个Canopy，可能会造成各个簇的中心点间距离较近，各簇间区别不明显；

当T2过大时，增加强标记数据点的数量，会减少簇个个数；T2过小，会增加簇的个数，同时增加计算时间；

下面用Java来简单实现算法，考虑简单，点只用了二维。

public class CanopyBuilder {  private double T1 = 8;  private double T2 = 4;  private List points = null;  private List canopies = null;  public CanopyBuilder() {  init();  }  public void init() {  points = new ArrayList();  points.add(new Point(8.1, 8.1));  points.add(new Point(7.1, 7.1));  points.add(new Point(6.2, 6.2));  points.add(new Point(7.1, 7.1));  points.add(new Point(2.1, 2.1));  points.add(new Point(1.1, 1.1));  points.add(new Point(0.1, 0.1));  points.add(new Point(3.0, 3.0));  canopies = new ArrayList();  }  //计算两点之间的曼哈顿距离  public double manhattanDistance(Point a, Point b) {

return Math.abs(a.getX() - b.getX()) Math.abs(a.getY() - b.getY());

}