CURE算法的基本理解

CURE（使用代表聚类）

• 它是一种基于层次的聚类技术，在基于质心和全点极值之间采用中间立场。层次聚类是一种聚类，它从一个点聚类开始，然后移动到与另一个聚类合并，直到形成所需数量的聚类。
• 它用于识别球形和非球形簇。
• 它对于发现组和识别基础数据中的有趣分布很有用。
• CURE 不像大多数数据挖掘算法那样使用一个点质心，而是使用一组定义明确的代表点，以有效地处理集群并消除异常值。

集群和异常值的表示

CURE算法的六个步骤：

治愈架构

• 想法：随机样本，比如“s”是从给定数据中提取的。这个随机样本是分区的，比如大小为 s/p 的“p”个分区。分区样本是部分聚类的，例如“s/pq”聚类。异常值从这个部分聚集的分区中被丢弃/消除。部分集群的分区需要再次集群。标记磁盘中的数据。
  

划分和聚类的表示

• 程序 ：
  1. 选择目标样本编号“gfg”。
  2. 选择集群中分散良好的“gfg”点。
  3. 这些分散的点向质心收缩。
  4. 这些点用作集群的代表并用于“Dmin”集群合并方法。在 Dmin(distance minimum) 聚类合并方法中，计算样本“gfg”内的散点与“gfg 样本”外的点的最小距离。与其他点相比，与样本内的散射点距离最短的点被考虑并合并到样本中。
  5. 在每次这样的合并之后，将选择新的样本点来代表新的集群。
  6. 集群合并将停止，直到达到目标，比如“k”。