聚類分析翻譯了多少：什么是聚類分析？

類將目標數(shù)據(jù)放入少數(shù)相對同源的組或“集群”中。分析表達數(shù)據(jù)，（1）通過一系列檢驗將一組待測基因的變異標準化，然后成對比較線性協(xié)方差。 (2) 樣本聚類，將譜系*密切的基因放在一起，例如，使用簡單的層次聚類方法。這種聚類也可以擴展到每個實驗樣本，使用一組基因的總線性相關(guān)性進行聚類。 (3)多維尺度分析(MDS)是一個二維歐氏“距離”，表示實驗樣本的近似相關(guān)程度。 (4) K-means method clustering，一種通過重復重新分配類成員來*小化一個“類”內(nèi)分散程度的方法。

聚類方法有兩個明顯的局限性：第一、為了使聚類結(jié)果清晰，需要分離良好的數(shù)據(jù)。幾乎所有現(xiàn)有算法都從不同的非重疊類數(shù)據(jù)生成相同的集群。但是，如果類是分散的和相互滲透的，則每種算法的結(jié)果都會有些不同。因此，每個算法定義的邊界不明確，每個聚類算法都有自己的*優(yōu)結(jié)果，每個數(shù)據(jù)部分都會產(chǎn)生一條信息。為了說明相同的數(shù)據(jù)由于不同的算法產(chǎn)生不同的結(jié)果，需要注意不同的判斷方式。遺傳學家很難從任何算法（尤其是邊界）中正確解釋聚類內(nèi)容的實際結(jié)果。*終，需要經(jīng)驗可信度來通過序列比較來指導聚類解釋。

第二個限制是由線性相關(guān)引起的。以上所有聚類方法都只分析了簡單的一對一關(guān)系。由于只是成對的線性比較，大大減少了發(fā)現(xiàn)表達類型關(guān)系的計算量，卻忽略了生物系統(tǒng)的多因素和非線性特性。

從統(tǒng)計學的角度來看，聚類分析是一種通過數(shù)據(jù)建模來簡化數(shù)據(jù)的方法。傳統(tǒng)的統(tǒng)計聚類分析方法包括系統(tǒng)聚類、分解、加法、動態(tài)聚類、有序樣本聚類、重疊聚類和模糊聚類。許多著名的統(tǒng)計分析軟件包，如SPSS、SAS等，都加入了使用k-means、k-center point等算法的聚類分析工具。

從機器學習的角度來看，聚類等價于隱藏模式。聚類是搜索聚類的無監(jiān)督學習過程。與分類不同，無監(jiān)督學習不依賴于預定義的類或帶有類標簽的訓練示例。它需要由聚類學習算法自動確定，而分類學習的實例或數(shù)據(jù)對象有類標簽。聚類是觀察學習，而不是示范學習。

從實際應用的角度來看，聚類分析是數(shù)據(jù)挖掘的主要任務之一、就數(shù)據(jù)挖掘功能而言，聚類可以作為一個獨立的工具來獲取數(shù)據(jù)的分布，觀察每個數(shù)據(jù)簇的特征，并針對特定的簇進行進一步分析。

聚類分析也可以作為其他數(shù)據(jù)挖掘任務（如分類和關(guān)聯(lián)規(guī)則）的預處理步驟。

數(shù)據(jù)挖掘領(lǐng)域主要研究高效實用的大型數(shù)據(jù)庫和數(shù)據(jù)倉庫聚類分析算法。

聚類分析是數(shù)據(jù)挖掘中一個非?；钴S的研究領(lǐng)域，已經(jīng)提出了很多聚類算法。

這些算法可以分為劃分方法、層次方法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法。

1 分區(qū)方法（PAM：PARTitioningmethod）先創(chuàng)建k個分區(qū)，k是要創(chuàng)建的分區(qū)數(shù)；然后使用循環(huán)

定位技術(shù)通過將對象從一個分區(qū)移動到另一種質(zhì)量來幫助改進分區(qū)。典型的劃分方法包括：

k-means、k-medoids、CLARA（ClusteringLARgeApplication）、

CLARANS（ClusteringLargeApplicationbaseduponRANdomizedSearch）。 2 分層方法（hierarchicalmethod）創(chuàng)建層次結(jié)構(gòu)來分解給定的數(shù)據(jù)集。這種方法可以分為自頂向下（分解）和自底向上（合并）兩種操作模式。為了彌補分解和合并的缺點，層次整合往往與其他聚類方法相結(jié)合，例如循環(huán)定位。典型的此類方法包括：

第一種是； BIRCH(BalancedIterativeRecingandClusteringusingHierarchies)方法，它首先利用樹的結(jié)構(gòu)來劃分對象集；然后使用其他聚類方法來優(yōu)化這些聚類。

第二種是CURE（ClusteringUsingREprisentatives）方法，用固定數(shù)量的代表對象來表示對應的簇；然后每個集群按照指定的數(shù)量（向集群中心）收縮。

第三種是ROCK方法，利用簇之間的連接來合并簇。

*后一個CHEMALOEN是在層次聚類過程中構(gòu)建一個動態(tài)模型。

3 基于密度方法，根據(jù)密度完成對象的聚類。它根據(jù)對象周圍的密度不斷增長簇（例如

DBSCAN）。典型的基于密度的方法包括：

DBSCAN（Densit-basedSpatialClusteringofApplicationwithNoise）：該算法通過不斷增長的具有足夠高密度的區(qū)域來執(zhí)行聚類

；它可以從包含噪聲的空間數(shù)據(jù)庫中找到任意形狀的簇。該方法將簇定義為一組“密度連接”點。

OPTICS (OrderingPointsToIdentifytheClusteringStructure)：不顯式生成

簇，而是計算增強的聚類順序以進行自動交互式聚類分析。 .

4 基于網(wǎng)格法，首先將物體空間劃分為有限單元，形成網(wǎng)格結(jié)構(gòu)；然后使用網(wǎng)格結(jié)構(gòu)完成聚類。

STING (STatisticalINformationGrid) 是一種使用存儲在網(wǎng)格單元中的統(tǒng)計信息以

為基礎的網(wǎng)格聚類方法。

CLIQUE (ClusteringInQUEst) 和Wave-Cluster 是一種基于網(wǎng)格和基于密度的基于平方5 的模型方法的組合，它假設每個簇的模型并找到適合相應模型的數(shù)據(jù)。典型的

基于模型的方法包括：

統(tǒng)計方法COBWEB：是一種常用且簡單的增量概念聚類方法。它的輸入對象由符號量（屬性-值）對描述。使用分類樹的形式創(chuàng)建層次聚類。

CLASSIT 是 COBWEB 的另一個版本。它可以執(zhí)行連續(xù)值屬性的增量聚合。它為每個節(jié)點中的每個屬性保存了相應的連續(xù)正態(tài)分布（均值和方差）；并且采用了改進的分類能力描述方法，即不像COBWEB那樣計算離散屬性（值）

Sum是對連續(xù)屬性的積分。但是CLASSIT方法也有與COBWEB類似的問題。

所以它們不適合集群大型數(shù)據(jù)庫。