對于數據挖掘算法這個詞大家可能都不是特別了解。數據挖掘算法它是根據數據創建數據挖掘模型的一組試探法和計算。一般常用的數據挖掘算法分為四大類，它們分別是分類，聚類，推薦和關聯算法。 數據挖掘算法為了創建模型，首先是分析您提供的數據，探后查找特定類型的模式以及趨勢。數據挖掘算法使用此類分析的結果來定義用于創建挖掘模型的最佳參數。下面我們就來看看探討數據挖掘算法之常用聚類算法。

聚類算法

k-means聚類算法

K-means算法是根據間距最基本上的歸類算法，是十大數據發掘算法之一。K-means算法在歸類給出的數據集時，選用非此即彼的硬歸類方法。

應用K-means算法時，務必了解K值的尺寸，即聚類數。

k-means算法的優點。

1.K-means算法簡易便捷，便于了解。

2.K-means算法可擴展性好，高效率。

3.k-means算法搜集全部數據樣版。

4.k-means算法更適合達到伽馬分布和分布均勻的數據種類聚類效果表。

k-means算法的缺點。

1.k-means對原始聚類管理中心敏感。

2.k-means必須事前明確聚類總數。

3.k-means對孤立點和噪聲點比較敏感。

針對K-means算法中K值和原始定位點的預先確定，現有很多有關完善的理論基礎研究和工程項目運用。尤其是K-means算法在應用全過程中必須預先確定K值的難點難題，該精英團隊之前的新項目開展了很多的科學研究，并明確提出了合理的方式來明確K值。

K-means算法運用案例:K-means算法在刊物《現代防御技術》2015年12月第43卷第六期的畢業論文題目中被選用為新的Kmeans聚類雷達信號篩分算法。該算法全自動得到原始聚類管理中心和聚類數后，篩選頻率捷變雷達信號。仿真模擬結果認證了畢業論文選用該算法開展數據信號篩選實驗，仿真模擬結果證實了篩選方式的準確性和可行性分析。

FCM算法

FCM算法是Bezdek于1973年明確提出的根據歸類的模糊不清歸類算法。該算法是一種運用隸屬度明確每一個數據點歸屬于某一歸類水平的方式。與K-means算法對比，FCM是一種靈活的模糊不清分類方法。

FCM算法的優點。

1.FCM算法擁有 濃厚的數學基礎。

2.FCM算法不易深陷部分最化。

3.FCM算法對達到標準正態分布的數據歸類十分合理。

FCM算法的缺點。

1.FCM算法對孤立點敏感。

2.算法必須提早明確歸屬于主要參數m和聚類數k。

Canopy算法

Canopy算法是一種粗聚類方式，不用事前特定聚類總數。當聚類精密度規定較低，速率規定較高時，可立即選用Canopy聚類算法對數據樣版開展立即解決。或有精準度規定時，可作為K-means或FCM聚類算法的預備處理流程，先取K值，再開展精準聚類。因而，Canopy算法具備很高的實際意義。

Canopy算法的優點

1.Canopy算法收斂快。

2.K-means和FCM對噪聲的抗干擾性較差，可以根據Canopy預備處理除去影響。

3.挑選Canopy算法的定位點/聚類數作為K-means算法的初始條件是科學研究的。

4.當K-means/FCM進一步精準聚類時，只需解決每一個Canopy中的數據。

5.大大減少類似計算的總數。

Canopy算法的缺點

1.算法精密度并不是很高。

2.算法必須事前明確2個間距閾值。

分層聚類算法

分層聚類算法是將全部數據集自底向上合拼成一棵樹或自頂向下切分成一棵樹的全過程，這二種方式各自稱之為分層聚類算法。針對分層聚類算法，在原始環節，將每一個樣版點各自作為其類簇，隨后將這種分子類簇合拼抵達預估的類簇數或別的停止條件;針對分層聚類算法，在原始環節，將全部樣版點作為同一類簇，隨后將這種類別簇合拼到預估的類簇數或別的停止條件。

分層聚類算法的優點

1.分層聚類算法不用預先確定聚類數。

2.分層聚類算法能發現分層關聯。

3.當聚類總數產生變化時，不用再度計算數據點的所屬。

分層聚類算法的缺點

1.計算過于復雜。

2.算法很有可能會聚類成鏈。

3.奇異值對聚類效果有很大危害。

LDA算法

根據LDA主題模型的LDA文字聚類算法，最開始由Blei等明確提出。近年來，LDA主題模型是在文本檢索行業發展趨勢起來的幾率生成模型，也是主題模型中最具象征性的幾率生成模型之一。LDA主題模型是一個轉化成的三層貝葉斯網絡，根據潛在性的主題將英語單詞和文章內容聯絡起來。類似別的許多概率模型，LDA也干了一個詞袋假定，即在實體模型中不考慮到特征詞的次序，只考慮到他們的發生頻次。

LDA算法的優點。

1.LDA算法有詳細的數據基礎理論。

2.LDA算法邏輯結構清楚。

3.LDA算法是適合大數據自然環境的純天然文字聚類。

LDA算法的缺點。

1.LDA算法收斂遲緩。

2.人工估計LDA算法的主題數。

DBSCAN算法

DBSCAN算法是一種根據相對密度的室內空間歸類算法。該算法規定分類空間中某一地區包括的物件(點或別的室內空間物件)的總數不小于某一給出地區的相對密度。當歸類總數產生變化時，不用再度計算數據點的所屬。度閾值，將要相對密度充足的地區分為簇，并在噪聲室內空間數據庫文件找到隨意形狀的簇，將簇界定為相對密度節點的較大 結合。

DBSCAN算法的優點

1.DBSCAN能識別噪聲點。

2.DBSCAN可以找到任何形狀的簇。

3.DBSCAN不用事前了解要產生的簇數。

DBSCAN算法的缺點

1.DBSCAN算法計算復雜。

2.針對不符合規定條件的樣品點，將噪聲點。

算法對稀少的高維空間數據特性較弱，由于針對高維空間數據，歐幾里能非常好地了解。

因為算法立即實際操作數據庫，當數據量提升時，必須更高的運行內存支持和I/O耗費。

算法聚類選用全局性定性分析相對密度主要參數，室內空間聚類相對密度不勻稱，聚類間距差大時，聚類品質差

盡管算法對數據庫文件樣版的次序不敏感，但針對處在簇類中間界限的樣版，很有可能會依據哪一個簇類優先選擇檢驗出去擺動其所屬。

算法務必特定2個主要參數:半徑和最少相對密度閾值。因而，對客戶界定的主要參數敏感，微小差別很有可能造成大不一樣的結果，主要參數的挑選不規律，只有由工作經驗決策。

EM算法。

EM算法是在統計分析計算中非常容易深陷部分最優解的EM算法;在概率模型中，找尋主要參數最大似然可能的方式，是數據發掘的十大算法之一。在這種層面，概率模型取決于掩藏的自變量，沒法觀查。最大期待常見于深度學習和人工智能算法數據集聚行業。

EM算法的優點

1.當聚類總數產生變化時，不用再度計算數據點的所屬。

2.算法簡易。

3.算法平穩。

EM算法的缺點

1.EM算法非常容易深陷局部優化。

2.EM算法迭代更新慢，頻次多，用以聚類，性能提升K-means差許多。

3.EM算法在具體運用中的適用范圍是對主要參數開展估因而更適合作為算法提升。

根據之上報表的綜合性比較可以看得出，K-means算法、Canopy算法、FCM算法和LDA算法都是有顯著的優點，因而該計劃方案將完成這四種算法。尤其是K-means算法和FCM算法已運用于雷達信號處理。

以上我們介紹了探討數據挖掘算法之常用聚類算法，如果您想了解更多相關信息，請您及時關注中培偉業。