1、1. 可伸缩性2. 处理不同类型属性的能力3. 发现任意形状的聚类4. 使输入参数的领域知识最小化5. 处理噪声数据的能力6. 对于输入记录的顺序不敏感9.2聚类分析中的相异度计算9.2.1聚类算法中的数据结构1. 数据矩阵（或对象与变量结构）2. 相异度矩阵（或对象-对象结构）9.2.2区间标度变量及其相异度计算1. 区间标度变量2. 相异度计算9.2.3二元变量及其相异度计算1. 二元变量9.2.4标称型变量及其相异度计算1. 标称型变量9.2.5序数型变量及其相异度计算1. 序数型变量9.2.6比例标度型变量及其相异度计算1. 比例标度型变量9.2.7混合类型变量的相异度计算9.3基于划
2、分的聚类方法9.3.1k-平均算法9.3.2k-中心点算法9.4基于层次的聚类方法1. 凝聚的方法2. 分裂的方法图9-1在数据集a,b,c,d,e上的凝聚和分裂层次聚类9.5谱聚类方法9.5.1谱聚类的步骤9.5.2谱聚类的优点9.5.3谱聚类实例9.6利用SQL Server 2005进行聚类分析9.6.1挖掘流程图9-2选择数据挖掘技术图9-3选择数据源视图图9-4指定表类型9.6.2结果分析图9-5指定定型数据图9-6指定列的内容和数据类型图9-7完成数据挖掘结构的创建图9-8分类剖面图图9-9分类关系图图9-10分类特征图9-11分类对比图9-12提升图图9-13分类矩阵图习题91.
3、 简单地描述如何计算由如下类型的变量描述的对象间的相异度：（a） 数值（区间标度）变量（b） 非对称的二元变量（c） 分类变量（d） 比例标度变量（e） 非数值向量对象2. 假设数据挖掘的任务是将如下8个点聚类为3个簇: A1（2,10）,A2（2,5）,A3（8,4）,B1（5,8）,B2（7,5）,B3（6,4）,C1（1,2）,C3（4,9）,距离函数是欧几里得距离。假设初始选择A1,B1,C1分别为每个聚类的中心，用k-平均算法来给出:（1） 在第一次循环执行后的三个聚类中心。（2） 最后的三个簇。3. k均值和k中心点算法都可以进行有效的聚类。概述k均值和k中心点算法的优缺点。并概述这两种方法与层次聚类方法（如AGNES）相比有何优缺点。
升级会员 