如何对一些样本进行聚类，同时又能保证他们在地图上是相邻的？ 我要对不同地区按某经济变量进行聚类分析，如何使得聚类的结果保证在地图上是相邻的，也就是说以地理上的…
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。
如何评价聚类结果的好坏？ 聚类的结果可以运用以下方法评估。1.外部法：根据已知的真实分组评价聚类分析的结果，构造如下的混淆矩…
聚类算法的聚类要求 许多聚类算法在小于 200 个数据对象的小数据集合上工作得很好；但是，一个大规模数据库可能包含几百万个对象，在这样的大数据集合样本上进行聚类可能会导致有偏的结果。我们需要具有高度可伸缩性的聚类算法。（high dimensionality）一个数据库或者数据仓库可能包含若干维或者属性。许多聚类算法擅长处理低维的数据，可能只涉及两到三维。人类的眼睛在最多三维的情况下能够很好地判断聚类的质量。在高维空间中聚类数据对象是非常有挑战性的，特别是考虑到这样的数据可能分布非常稀疏，而且高度偏斜。用户希望聚类结果是可解释的，可理解的，和可用的。也就是说，聚类可能需要和特定的语义解释和应用相联系。应用目标如何影响聚类方法的选择也是一个重要的研究课题。记住这些约束，我们对聚类分析的学习将按如下的步骤进行。首先，学习不同类型的数据，以及它们对聚类方法的影响。接着，给出了一个聚类方法的一般分类。然后我们详细地讨论了各种聚类方法，包括划分方法，层次方法，基于密度的方法，基于网格的方法，以及基于模型的方法。最后我们探讨在高维空间中的聚类和孤立点分析（outlier analysis）。
