[发明专利]基于随机采样聚类的带噪音数据分类方法及用户分类方法

说明书

本发明公开了一种基于随机采样聚类的带噪音数据分类方法，包括获取带噪音的待分类数据集并随机采样，将采样数据加到中心点集完成初始化；对数据集进行迭代：每次迭代时获取距离中心点集最远的若干个数据点并采样部分数据加入到中心点集中；对中心点集中的数据进行枚举并获取代价最小的若干个数据点作为聚类的中心点；将数据集中的各个数据点分配到距离自身最近的中心点上完成分类。本发明还公开了一种包括所述于随机采样聚类的带噪音数据分类方法的用户分类方法。本发明通过创新的分类步骤和计算方式，不仅实现了带噪音数据的分类，而且分类精度较高，可靠性高，实用性好且算法复杂度较低。

技术领域

本发明属于数据处理领域，具体涉及一种基于随机采样聚类的带噪音数据分类方法及用户分类方法。

背景技术

聚类是数据分析中最基本的问题之一。聚类分析是根据在数据中发现的描述对象及其关系的信息，将数据对象分组。聚类分析的目的在于，对对象进行分组，而且组内的对象相互之间是相似的(相关的)，而不同组中的对象是不同的(不相关的)。组内相似性越大，组间差距越大，说明聚类效果越好；也就是说，聚类的目标是得到较高的簇内相似度和较低的簇间相似度，使得簇间的距离尽可能大，簇内样本与簇中心的距离尽可能小。

聚类算法的用途非常广泛，因此聚类模型也一直是人们研究的重点；例如k-均值，k-中值和k-中心。聚类问题是经典的NP难(NP Hard)问题，除非NP＝P，否则无法在多项式时间内找到问题的最优解。近似算法是处理NP难问题的方法之一。如果算法的输出函数值不大于最优解的α倍(设定值)，那么就称这个算法为近似算法，并且α被称为该算法的近似比。

k-中心问题一直是聚类中的一个热门模型，在过去的几十年里，k-中心模型广受关注，主要是研究在欧氏空间和度量空间内的近似算法。k-中心模型就是需要找到k个中心位置，每一个中心位置形成一个半径为R_i的圆，这些圆可以覆盖所有的数据点，目标函数是最小化最大的半径R_i。目前在度量空间中k-中心问题已经被证明了近似比为2是该问题的下界。而在欧氏空间内，最好的k-中心算法的近似比为1.822。

但在实际应用中，数据集在聚类的过程中需要受到一定的限制，这就是受限聚类问题。受限聚类问题可以看作是普通聚类问题的推广，而受限聚类问题更有挑战性。常见的受限聚类问题有：公平聚类问题，带容量限制的聚类问题，带噪音的聚类问题等。而且在现实生活中，数据集往往是嘈杂的，并且包含一些异常数据点。在数据分析中，数据集中的异常值往往会严重影响最终的分析结果。如何在聚类的过程中去除噪音点的影响，这就是带噪音的聚类问题。

目前，带噪音的数据聚类问题，行业内虽然有对应的聚类方法，但是现有方法聚类精度较差，而且复杂度较高，实际应用时效果较差。

发明内容

本发明的目的之一在于提供一种精度较高、可靠性高且实用性好的基于随机采样聚类的带噪音数据分类方法。

本发明的目的之二在于提供一种包括了所述基于随机采样聚类的带噪音数据分类方法的用户分类方法。

本发明提供的这种基于随机采样聚类的带噪音数据分类方法，包括如下步骤：

S1.获取带噪音的待分类数据集；

S2.对步骤S1获取的数据集进行随机采样，并将采样得到的数据加入到中心点集，完成中心点集的初始化；

S3.基于贪心算法，对数据集进行迭代处理：每次迭代时，获取距离中心点集最远的若干个数据点，并在获取的数据点中采样部分数据并加入到中心点集中；

S4.对中心点集中的数据进行枚举，获取代价最小的若干个数据点作为聚类的中心点；

S5.将数据集中的各个数据点，分配到距离自身最近的中心点上，完成基于随机采样聚类的带噪音数据分类。