基于划分方法的聚类分析

1、南京信息工程大学 滨江学院 实验（实习）报告实验（实习）名称基于划分方法的聚类分析实验（实习）日期2011610指导教师 闫雷鸣专业软工（动画）年级 2008 班次 （1 ）班 姓名王圆媛 学号 20082358002 得分实验目的（1 ）学习聚类分析的基本概念、各种数据类型、聚类方法的分类。（2 ）学会典型的划分方法 K均值和K中心点算法的基本原理、特点、优缺点。（3）应用 Weka软件，学会导入数据文件，并对数据文件进行预处理。（4 ）学会并应用划分方法中 K均值和K中心点算法对数据集进行聚类分析。、实验准备:Ban k-data三、实验要求:用划分方法中K均值和K中心点算法对数据集进行聚

2、类分析四、实验内容：4.1相关知识聚类分析中的"类”（cluster ）和前面分类的"类”（class ）是不同的，对 cluster更加准确的翻译应该是“簇”。聚类的任务是把所有的实例分配到若干的簇，使得同一个簇的实例聚集在一个簇中心的周围，它们之间距离的比较近； 而不同簇实例之间的距离比较远。对于由数值型属性刻画的实例来说，这个距离通常指欧氏距离。聚类分析中使用最常见的K均值（K-means ）算法。K 均值聚类方法的步骤如下。(1 ) K均值算法首先随机的指定K个簇中心。(2 )将每个实例分配到距它最近的簇中心，得到K个簇；(3)计分别计算各簇中所有实例的均值，把它们

3、作为各簇新的簇中心。重复(2)和( 3)，直到 K 个簇中心的位置都固定，簇的分配也固定。上述 K 均值算法只能处理数值型的属性， 遇到分类型的属性时要把它变为若干个取值 0 和 1 的属性。 WEKA 将自动实施这个分类型到数值型的变换，而且 Weka 会自动对数值型 的数据作标准化。Weka 中列出了很多聚类算法。 对于 EM 实现， 用户可指定需要产生多少聚类， 否则所 用的算法可通过交叉验证来决定，在这种情况下，折的数量固定为10 (除非训练实例小于10 个)。用户可指定循环次数的最大值，并且为正常的密度计算设定可允许的最小标准差。 SimpleKMeans 使用 k 均值来聚类数据；

4、聚类的数量通过一个参数设定。 Cobweb 实现了 用于名词属性的 Cobweb 算法和用于数值性属性的 Classit 算法。 FarthestFirst 实现 Hochbaum 和 Shmoys 远端优先遍历算法。 MakeDensityBaseCluster 是一个元聚类器， 它包装一个聚类算法， 使其返回一个概率分布和密度。 它为每个聚类拟合一个离散分布， 或 一个对称的正态分布。4.2 实验操作( 1 )在开始程序 (或者桌面图标) 中找到 WEKA3.6.2 ，单击即可启动 WEKA ，启动 WEKA时会发现首先出现的一个命令提示符。接着将出现如下Weka GUI Chooser

5、界面。Tehn COE Oiodsrt(2)选择GUI Chooser中的探索者(Explorer )用户界面。点击预处理( Preprocess )功能按钮的，Open file，选择其中的"bank-data ”数据作关联规则的分析。打开"bank-data.csv”，可以看至U" Current relation ”、“Attributes ” “Selected attribute三个区域。(3 )对于原始数据“bdaka.csv ”的预处，删去属性id ” AR保存格式后，修改属性“children为分类型。这样得到的数据文件为ban0a条实例。，含Cl

6、uster ”选项卡。点击Choose ”在随后打开的层级式菜单中的选择SimpleKMea ns WEK这是实现(4)用"Explorer”打开刚才得到的"ban k.arff"，并切换到K均值的算法。点击旁边的文本框，修改"numClusters"6为说明我们希望把这 600条实例聚成6类，即K=6。下面的“seed ”参数是要设置一个随机种子，依此产生一个随机数，用来得到K均值算法中第一次给出的K个簇中心的位置，先设定为10。(7)选中“ Cluster Mode ”的“ Use trainingset "，点击“Start”按

7、钮，观察右边Clusterer output给出的聚类结果。也可以在左下角Result list中这次产生的结果在新窗口中浏览结果。上点右键，"View in separate wi ndow(8)实验结果:结果中有这么一行字样:Within cluster sum of squared errors: 1604.7416683433223这是评价聚类好坏的标准，数值越小说明同一簇实例之间的距离越小。“ seed ”参数的变化，导致得到的这个数值也发生变化。通过多尝试变化seed值，并取使得数值最小的seed 值。接下来“Clusterce ntroids:”之后列出了各个簇中心的位

8、置。对于数值型的属性，簇中心就是它的均值(Mean );分类型的就是它的众数(Mode)，也就是说这个属性上取值为众数值的实例最多。对于数值型的属性，还给出了它在各个簇里的标准差(Std Devs )。最后的“Clustered In sta nces”是各个簇中实例的数目及百分比。为了观察可视化的聚类结果，在左下方“ Result list 列出的结果上右击，点“ Visualize cluster assignments弹出的窗口给出了各实例的散点图。最上方的两个框是选择横坐标和纵坐标，第二行的color ”是散点图着色的依据，默认是根据不同的簇Cluster给实例标上不同的颜色。可以在这里点“Save ”把聚类结果保存南RFF文件。在这个新的 ARFF文件中，“ instance_number ”属性表示某实例的编号，“Cluster ”属性表示聚类算法给出的该实例所在的簇。4.3 扩展学习（1 ）选择其他数据集来对其进行k-means 聚类分析，并对其聚类结果进行分析研究。（2 ）通过对其参数的修正完善加深理解k-means 聚类分析