很多聚类算法擅长处理低维数据 ， 一般只涉及两到三维 ， 人类对两三维数据的聚类结果很容易直观地判断聚类的质量 。
但是 ， 高维数据聚类结果的判断就不是直观了 。
数据对象在高维空间的聚类是非常具有挑战性的 ， 尤其是考虑到这样的数据可能高度偏斜并且非常稀疏 。
7处理噪声数据的能力在现实应用中绝大多数的数据都包含了孤立点、空缺、未知数据或者错误的数据 。
如果聚类算法对于这样的数据敏感 ， 将会导致质量较低的聚类结果 。
8基于约束的聚 。

22、类在实际应用当中可能需要在各种约束条件下进行聚类 。
既要找到满足特定的约束 ， 又要具有良好聚类特性的数据分组是一项具有挑战性的任务 。
9挖掘出来的信息是可理解的和可用的这点是容易理解的 ， 但在实际挖掘中有时往往不能令人满意 。
聚类分析在数据挖掘中的应用主要有以下几个方面：1聚类分析可以作为其他算法的预处理步骤利用聚类进行数据预处理 ， 可以获得数据的基本概况 ， 在此基础上进行特征抽取或分类就可以提高精确度和挖掘效率 。
也可将聚类结果用于进一步关联分析 ， 以进一步获得有用的信息 。
2可以作为一个独立的工具来获得数据的分布情况聚类分析是获得数据分析情况的有效方法 。
例如 ， 在商业上 ， 聚类分析可以帮助市场分析人员从客户基本库 。

23、当中发现不同的客户群 ， 并且用购买模式来刻画不同的客户群的特征 。
通过观察聚类得到的每个簇的特点 ， 可以集中对特定的某些簇作进一步分析 。
这在诸如市场细分、目标顾客定位、业绩评估、生物种群划分等方面具有广阔的应用前景 。
3聚类分析可以完成孤立点挖掘许多数据挖掘算法试图使孤立点影响最小化 ， 或者排除它们 。
然而孤立点本身可能是非常有用的 。
如在欺诈探测中 ， 孤立点可能预示着欺诈行为的存在 。
1.2 PAM算法分析1.2.1 PAM算法详细论述PAM（Partitioning Around Medoid,围绕中心点的划分）是聚类分析算法中划分法的一个聚类方法 ， 是最早提出的k-中心点算法之一 。
PAM聚类算法的基本思想为 。

24、：选用簇中位置最中心的对象 ， 试图对n个对象给出k个划分；代表对象也被称为是中心点 ， 其他对象则被称为非代表对象；最初随机选择k个对象作为中心点 ， 该算法反复地用非代表对象来代替代表对象 ， 试图找出更好的中心点 ， 以改进聚类的质量；在每次迭代中 ， 所有可能的对象对被分析 ， 每个对中的一个对象是中心点 ， 而另一个是非代表对象 。
对可能的各种组合 ， 估算聚类结果的质量；一个对象Oi可以被使最大平方-误差值减少的对象代替；在一次迭代中产生的最佳对象集合成为下次迭代的中心点 。
为了判定一个非代表对象Oh是否是当前一个代表对象Oi的好的替代 ， 对于每一个非中心点对象Oj ， 下面的四种情况被考虑：l 第一种情况：假设Oi被Oh代替 。

25、作为新的中心点 ， Oj当前隶属于中心点对象Oi 。
如果Oj离某个中心点Om最近 ， im ， 那么Oj被重新分配给Om 。
l 第二种情况：假设Oi被Oh代替作为新的中心点 ， Oj当前隶属于中心点对象Oi 。
如果Oj离这个新的中心点Oh最近 ， 那么Oj被分配给Oh 。
l 第三种情况：假设Oi被Oh代替作为新的中心点 ， 但是Oj当前隶属于另一个中心点对象Om ， mi 。
如果Oj依然离Om最近 ， 那么对象的隶属不发生变化 。
l 第四种情况：假设Oi被Oh代替作为新的中心点 ， 但是Oj当前隶属于另一个中心点对象Om ， mi 。
如果Oj离这个新的中心点Oh最近 ， 那么Oi被重新分配给Oh 。
每当重新分配发生时 ， 平方-误差E所产生的差别对代价函数 。

26、有影响 。
因此 ， 如果一个当前的中心点对象被非中心点对象所代替 ， 代价函数计算平方-误差值所产生的差别 。
替换的总代价是所有非中心点对象所产生的代价之和 。
如果总代价是负的 ， 那么实际的平方-误差将会减小 ， Oi可以被Oh替代 。
如果总代价是正的 ， 则当前的中心点Oi被认为是可接受的 ， 在本次迭代中没有变化 。
PAM算法需用簇中位置最靠近中心的对象作为代表对象 ， 然后反复地用非代表对象来代替代表对象 ， 试图找出更好的中心点 ， 在反复迭代的过程中 ， 所有可能的“对象对”被分析 ， 每个对中的一个对象是中心点 ， 另一个是非代表对象 。

稿源：(未知)

【傻大方】网址：/a/2021/0711/0022845604.html

标题：网络工程|网络工程毕业设计（论文）PAM聚类算法的分析与实现( 四 )