1，如何对大量数据进行聚类分析

用SPSS，里面就有聚类分析，你只要定义好规则就好了
你可以用clementine试试我替别人做这类的数据分析蛮多的

如何对大量数据进行聚类分析

2，多维数据的聚类分析有哪些算法

聚类分析指的是将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。它是一种重要的人类行为。聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机，统计学，生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。
同问

多维数据的聚类分析有哪些算法

3，数据挖掘技术中聚类的几种常用方法比较

摘　要:数据挖掘是一门面向应用的新兴学科分支，它涵盖了众多领域的知识，是解决从大量信息中获取有用知识、提供决策支持的有效途径，具有广泛的应用前景，聚类是数据挖掘中用来发现数据分布和隐含模式的一项重要技术。本文总结了大部分常用聚类算法的主要特点，对一些经典聚类算法进行比较并总结。
受频繁模式挖掘中fp树算法的启发,结合静态高维数据聚类中clique算法所体现的思想,设计一种树形数据结构densegrid树(简称dg树),以记录用于聚类的数据流摘要信息,并通过搜索树中路径从高维数据流中发现存在聚类的低维子空间,从而将高维空间聚类问题转化成构造dg树并利用这种树形数据结构搜索高密网格单元的过程。实验表明,这种聚类方法具有良好的聚类效果和伸缩性。——熊老师

数据挖掘技术中聚类的几种常用方法比较

4，数据库技术关联聚类分类有哪些方法

通常,为有监督分类提供若干已标记的模式(预分类过),需要解决的问题是为一个新遇到的但无标记的模式进行标记.在典型的情况下,先将给定的无标记的模式用来学习〔训练),反过来再用来标记一个新模式.聚类需要解决的问题是将已给定的若千无标记的模式聚集起来使之成为有意义的聚类.从某种意义上说,标一记也与聚类相关,但这些类型的标记是由数据驱动的,也就是说,只是从数据中得到这些标记.聚类与数据挖掘中的分类不同,在分类模块中,对于目标数据库中存在哪些类是知道的,要做的就是将每一条记录分别属于哪一类标记出来:与此相似但又不同的是,聚类是在预先不知道目标数据库到底有多少类的情况下,希望将所有的记录组成不同的类或者说“聚类”,并且使得在这种分类情况下,以某种度量为标准的相似性,在同一聚类之间最小化,而在不同聚类之间最大化.事实上,聚类算法中很多算法的相似性都是基于距离的,而且由于现实数据库中数据类型的多样性,关于如何度量两个含有非数值型字段的记录之间的距离的讨论有很多,并提出了相应的算法.在很多应用中,聚类分析得到的每一个类中的成员都可以被统一看待.
(1)环境级：对计算机系统的机房和设备加以保护，防止物理破坏。 (2)职员级：对数据库系统工作人员，加强劳动纪律和职业道德教育，并正确的授予其访问数据库的权限。 (3)操作系统级：防止未经授权的用户从操作系统层着手访问数据库。 (4)网络级：由于数据库系统允许用户通过网络访问，因此，网络软件内部的安全性对数据库的安全是很重要的。 (5)数据库系统级：检验用户的身份是否合法，检验用户数据库操作权限是否正确。 本节主要讨论数据库系统级的安全性问题。 数据库系统中一般采用用户标识和鉴别、存取控制、视图以及密码存储等技术进行安全控制。

5，用于数据挖掘的聚类算法有哪些各有何优势

1、层次聚类算法1.1聚合聚类1.1.1相似度依据距离不同：Single-Link:最近距离、Complete-Link：最远距离、Average-Link：平均距离1.1.2最具代表性算法1）CURE算法特点：固定数目有代表性的点共同代表类优点：识别形状复杂，大小不一的聚类，过滤孤立点2）ROCK算法特点：对CURE算法的改进优点：同上，并适用于类别属性的数据3）CHAMELEON算法特点：利用了动态建模技术1.2分解聚类1.3优缺点优点：适用于任意形状和任意属性的数据集；灵活控制不同层次的聚类粒度，强聚类能力缺点：大大延长了算法的执行时间，不能回溯处理2、分割聚类算法2.1基于密度的聚类2.1.1特点将密度足够大的相邻区域连接，能有效处理异常数据，主要用于对空间数据的聚类2.1.2典型算法1）DBSCAN：不断生长足够高密度的区域2）DENCLUE：根据数据点在属性空间中的密度进行聚类，密度和网格与处理的结合3）OPTICS、DBCLASD、CURD：均针对数据在空间中呈现的不同密度分不对DBSCAN作了改进2.2基于网格的聚类2.2.1特点利用属性空间的多维网格数据结构，将空间划分为有限数目的单元以构成网格结构；1）优点：处理时间与数据对象的数目无关，与数据的输入顺序无关，可以处理任意类型的数据2）缺点：处理时间与每维空间所划分的单元数相关，一定程度上降低了聚类的质量和准确性2.2.2典型算法1）STING：基于网格多分辨率，将空间划分为方形单元，对应不同分辨率2）STING+：改进STING，用于处理动态进化的空间数据3）CLIQUE：结合网格和密度聚类的思想，能处理大规模高维度数据4）WaveCluster：以信号处理思想为基础2.3基于图论的聚类2.3.1特点转换为组合优化问题，并利用图论和相关启发式算法来解决，构造数据集的最小生成数，再逐步删除最长边1）优点：不需要进行相似度的计算2.3.2两个主要的应用形式1）基于超图的划分2）基于光谱的图划分2.4基于平方误差的迭代重分配聚类2.4.1思想逐步对聚类结果进行优化、不断将目标数据集向各个聚类中心进行重新分配以获最优解2.4.2具体算法1）概率聚类算法期望最大化、能够处理异构数据、能够处理具有复杂结构的记录、能够连续处理成批的数据、具有在线处理能力、产生的聚类结果易于解释2）最近邻聚类算法——共享最近邻算法SNN特点：结合基于密度方法和ROCK思想，保留K最近邻简化相似矩阵和个数不足：时间复杂度提高到了O(N^2)3）K-Medioids算法特点：用类中的某个点来代表该聚类优点：能处理任意类型的属性；对异常数据不敏感4）K-Means算法1》特点：聚类中心用各类别中所有数据的平均值表示2》原始K-Means算法的缺陷：结果好坏依赖于对初始聚类中心的选择、容易陷入局部最优解、对K值的选择没有准则可依循、对异常数据较为敏感、只能处理数值属性的数据、聚类结构可能不平衡3》K-Means的变体Bradley和Fayyad等：降低对中心的依赖，能适用于大规模数据集Dhillon等：调整迭代过程中重新计算中心方法，提高性能Zhang等：权值软分配调整迭代优化过程Sarafis：将遗传算法应用于目标函数构建中Berkh in等：应用扩展到了分布式聚类还有：采用图论的划分思想，平衡聚类结果，将原始算法中的目标函数对应于一个各向同性的高斯混合模型5）优缺点优点：应用最为广泛；收敛速度快；能扩展以用于大规模的数据集缺点：倾向于识别凸形分布、大小相近、密度相近的聚类；中心选择和噪声聚类对结果影响大3、基于约束的聚类算法3.1约束对个体对象的约束、对聚类参数的约束；均来自相关领域的经验知识3.2重要应用对存在障碍数据的二维空间按数据进行聚类,如COD(Clustering with Obstructed Distance)：用两点之间的障碍距离取代了一般的欧式距离3.3不足通常只能处理特定应用领域中的特定需求4、用于高维数据的聚类算法4.1困难来源因素1）无关属性的出现使数据失去了聚类的趋势2)区分界限变得模糊4.2解决方法1)对原始数据降维2)子空间聚类CACTUS：对原始空间在二维平面上的投影CLIQUE：结合基于密度和网格的聚类思想，借鉴Apriori算法3)联合聚类技术特点：对数据点和属性同时进行聚类文本：基于双向划分图及其最小分割的代数学方法4.3不足：不可避免地带来了原始数据信息的损失和聚类准确性的降低
聚类算法一般的有 系统聚类、kmean聚类、两阶段聚类，当然有 异常检测和 相邻分析也可以算作聚类。系统聚类可以绘出树状图，分析者可以直观的依据经验选择和判断聚类类别和数量，要求变量统一类型kmean均值需要提前指定所聚类的类别数量，要求变量全部为连续性数据类型。两阶段聚类 对变量类型没有要求，可以既包括分类变量，也包括连续变量，同时两阶段聚类能够自动推荐出最适合的聚类。

文章TAG：数据库聚类有哪些方法  如何对大量数据进行聚类分析  
下一篇