大數(shù)據(jù)挖掘聚類算法課程設計報告材料

1、實用標準文案數(shù)據(jù)挖掘聚類問題 (Plants Data Set)實驗報告1. 數(shù)據(jù)源描述1.1 數(shù)據(jù)特征本實驗用到的是關于植物信息的數(shù)據(jù)集，其中包含了每一種植物(種類和科屬 )以及它們生長的地區(qū)。數(shù)據(jù)集中總共有68 個地區(qū)，主要分布在美國和加拿大。一條數(shù)據(jù)(對應于文件中的一行)包含一種植物 (或者某一科屬 )及其在上述68 個地區(qū)中的分布情況?？梢赃@樣理解，該數(shù)據(jù)集中每一條數(shù)據(jù)包含兩部分內(nèi)容，如下圖所示。植物名稱 ( 科屬 +名稱 )分布區(qū)域圖 1 數(shù)據(jù)格式例如一條數(shù)據(jù) :abroniafragrans,az,co,ks,mt,ne,nm,nd,ok,sd,tx,ut,wa,wy。其中abro

2、niafragrans是植物名稱 (abronia是科屬， fragrans是名稱 ) ，從 az 一直到 wy是該植物的分布區(qū)域，采用縮寫形式表示，如az 代表的是美國Arizona州。植物名稱和分布地區(qū)用逗號隔開，各地區(qū)之間也用逗號隔開。1.2 任務要求聚類。采用聚類算法根據(jù)某種特征對所給數(shù)據(jù)集進行聚類分析，對于聚類形成的簇要使得簇內(nèi)數(shù)據(jù)對象之間的差異盡可能小，簇之間的差距盡可能大。2. 數(shù)據(jù)預處理2.1 數(shù)據(jù)清理所給數(shù)據(jù)集中包含一些對聚類過程無用的冗余數(shù)據(jù)。數(shù)據(jù)集中全部數(shù)據(jù)的組織結(jié)構(gòu)是：先給出某一科屬的植物及其所有分布地區(qū)，然后給出該科屬下的具體植物及其分布地區(qū)。例如：文檔大全實用標準文

3、案abelmoschus,ct,dc,fl,hi,il,ky,la,md,mi,ms,nc,sc,va,pr,viabelmoschus esculentus,ct,dc,fl,il,ky,la,md,mi,ms,nc,sc,va,pr,viabelmoschus moschatus,hi,pr上述數(shù)據(jù)中第行給出了所有屬于abelmoschus這一科屬的植物的分布地區(qū)，接下來的兩行分別列出了屬于abelmoschus科屬的兩種具體植物及其分布地區(qū)。從中可以看出后兩行給出的所有地區(qū)的并集正是第一行給出的地區(qū)集合。在聚類過程中第行數(shù)據(jù)是無用的，因此要對其進行清理。2.2 數(shù)據(jù)變換本實驗是依據(jù)植物的

4、分布區(qū)域進行聚類，所給數(shù)據(jù)集中的分布區(qū)域是字符串形式，不適合進行聚類，因此將其變換成適合聚類的數(shù)值形式。具體思想如下：數(shù)據(jù)集中總共包含68 個區(qū)域，每一種植物的分布區(qū)域是這68 個區(qū)域中的一部分。本實驗中將 68 個區(qū)域看成是數(shù)據(jù)對象的68 個屬性，這 68 個屬性是二元類型的變量，其值只能去0 或者 1。步驟如下：1.把 68 個區(qū)域按一定順序存放在字符串數(shù)組(記為 str) 中(順序可以自己定，確定后不能改變 )。2.為數(shù)據(jù)集中的每個數(shù)據(jù)對象設置一個長度為68 字符串數(shù)組，初始元素值全為 0。將數(shù)據(jù)對象的分布區(qū)域逐個與 str 中的所有元素比較。如果存在于str中下標 i 的位置，就將該數(shù)

5、據(jù)對象的字符串數(shù)組的第i 位置為 1。例如，一個數(shù)據(jù)對象為：abies fraseri,ga,nc,tn,va。其分布區(qū)域包含ga,nc,tn和 va 四個地區(qū)，將這四個地區(qū)逐個與 str 中全部 68 個元素比較。 假設這四個地區(qū)分別存在于 str 中的第 0,1,2,3 位置，則將為該數(shù)據(jù)對象設置的字符串數(shù)組中第 0,1,2,3 位置全部置為 1 。文檔大全實用標準文案數(shù)據(jù)預處理代碼 ( 包括數(shù)據(jù)清理和數(shù)據(jù)變換) ：publicArrayList<String> getRaw_DataSet() ArrayList<String> raw_dataSet =newA

6、rrayList<String>();/定義集合存儲從本地獲取的數(shù)據(jù)BufferedReader bufferedReader =null ;FileReader fileReader =null ;File dataFile =newFile( this .fileName);if (dataFile.exists() /如果數(shù)據(jù)文件存在tryfileReader =newFileReader(this .fileName);bufferedReader =newBufferedReader(fileReader);String data =null ;while(data =

7、bufferedReader.readLine() !=null ) if (isRightData(data)raw_dataSet.add(data); catch(Exception e) e.printStackTrace(); elsethis .isFileExit= false ;returnraw_dataSet;文檔大全實用標準文案/ getRaw_DataSet,從本地 txt 文件獲取數(shù)據(jù)集publicArrayList<DataItem> getFinished_DataSet() /獲取經(jīng)過預處理，用來進行聚類的數(shù)據(jù)ArrayList<DataIte

8、m> finished_DataSet =newArrayList<DataItem>();ArrayList<String> temp_DataSet =this .getRaw_DataSet();for(inti = 0; i < temp_DataSet.size(); i+) ArrayList<String> eachRomItem =null ;eachRomItem =this .spilt(temp_DataSet.get(i),',' );/除去 "," 后的每一行數(shù)據(jù)DataItem da

9、ta_Item =newDataItem(eachRomItem,true );finished_DataSet.add(data_Item);/ forreturnfinished_DataSet;publicbooleanisRightData(String data) /篩選出合適的數(shù)據(jù)ArrayList<String> tempArrayList =newArrayList<String>();tempArrayList = spilt(data,' ' );if (tempArrayList.size() <= 1)returnfalse

10、 ;returntrue ;/ isRightData,篩選出合適的數(shù)據(jù)文檔大全實用標準文案publicArrayList<String> spilt(String str,charch) ArrayList<String> words =newArrayList<String>();/用來存放找到的單詞int beginIndex = 0;for(inti = 0; i < str.length(); i+) if (str.charAt(i) != ch) if (i != str.length() - 1)continue;else words.

11、add(str.substring(beginIndex); else String temp = str.substring(beginIndex, i);words.add(temp);beginIndex = i + 1;/ forreturnwords;3. 聚類分析3.1算法描述本實驗采用了聚類分析中常用的K 均值 (K-Means) 算法。該算法思想如下：文檔大全實用標準文案算法：K 均值。用于劃分的K 均值算法，每個簇的中心用簇中對象的均值表示。輸入：k ：簇的屬目D ：包含 n 個對象的數(shù)據(jù)集。輸出：k 個簇的集合。方法：(1)從 D 中任意選擇 k 個對象作為初始簇中心；(2

12、) repeat(3) 根據(jù)簇中對象的均值，將每個對象 (再)指派到最相似的簇；(4) 更新簇均值，既計算每個簇中對象的均值；(5) until 不再發(fā)生變化根據(jù)上述算法，結(jié)合本實驗實際情況和數(shù)據(jù)集特征給出程序的執(zhí)行流程圖：開始從本地讀取數(shù)據(jù)文件數(shù)據(jù)預處理輸入 k,簇的個數(shù)在數(shù)據(jù)集中隨機選取k 個數(shù)據(jù)對象作為初始中心點迭代開始。將數(shù)據(jù)集中每個數(shù)據(jù)對象與 k 個中心點作比較，把每個對象分到與其 最相似 的中心點所在的簇中計算每個簇中對象的均值，作為該簇新的中心點滿足迭代終迭代終止，輸出結(jié)果。止條件文檔大全實用標準文案是否圖 2 程序執(zhí)行流程針對上面的流程圖，有幾點說明：1.數(shù)據(jù)預處理主要包括前述

13、數(shù)據(jù)清理和數(shù)據(jù)變換，最終生成用于聚類分析的數(shù)據(jù)集。2.簇的個數(shù) k 由用戶指定， k 越大聚類過程耗時越久。3.圖中“最相似” 意思就是距離中心點距離最近，本實驗中采用歐幾里得距離，其定義如下：d (i, j ) ( xi1222x j1)(xi 2 x j 2) .(xin x jn )其中 i( xi1 , xi 2 ,., xin ) 和 j( xj1 , xj 2 ,. xjn ) 是兩個 n維數(shù)據(jù)對象。在本實驗中，x 和 x 分別代表為 i,j 兩個數(shù)據(jù)對象設置的字符串數(shù)組 (參看 2.2) 中下標為 1 的i 1j1元素值，此處 n 為 68 。4.流程圖中的終止條件指的是：前后兩

14、次中心點之間的距離(仍然用歐幾里得距離 )是否小于設定的值。 例如，第 n 次迭代完成后重新生成了k 個新的中心點，計算 k 個新中心點與 k 個舊的中心點距離之和并將結(jié)果與設定的值比較，若小于文檔大全實用標準文案設定值則終止迭代，聚類完成，否則繼續(xù)迭代。3.2算法實現(xiàn)圖 3 代碼文件的組織結(jié)構(gòu)上圖是本實驗源碼的組織結(jié)構(gòu)，該項目包含五個Java 類。每個類的功能描述如下：Cluster.java類 該類定義了簇的結(jié)構(gòu)，包含簇標志，簇成員和簇中心點三個字段。該類的每一個實例對應于聚類過程中的一個簇。DataItem.java類 該類定義了數(shù)據(jù)對象的結(jié)構(gòu)，主要包含數(shù)據(jù)對象名稱( 即植物名稱 )和數(shù)

15、據(jù)對象字符串數(shù)組(即植物的分布區(qū)域) 。該類的每一個實例對應于數(shù)據(jù)集中的一個數(shù)據(jù)對象。Main.java類 該類是程序的核心類，主要功能是執(zhí)行聚類過程，包括中心點的選取與更新，計算各個數(shù)據(jù)對象與中心點之間的距離并把其派分到最相似的簇等。ReadData.java類 該類主要功能是生成聚類過程適用的數(shù)據(jù)集，包括讀取文件，數(shù)據(jù)預處理等。Tools.java類 該類是一個工具類，其中定義了多個程序中使用到的靜態(tài)方法。Mian.java類中的核心代碼：(1) 隨機選取中心點publicvoidsetCenter_ran() /第一次，從數(shù)據(jù)集中隨機選取中心點文檔大全實用標準文案beginTime= S

16、ystem. currentTimeMillis();System. out .println("聚類過程開始 ,開始于 :" + Tools.currentTime();Random ran =newRandom();int order = 0;/ 隨機選取中心點while(this.center .size() <numOfCluster) order = ran.nextInt(toBeProcessed.size();if(Tools. isProCener (toBeProcessed.get(order),this .center)this .center

17、.add(toBeProcessed.get(order);/ while(2) 初始化簇集合publicvoidinitArrayCluster(ArrayList<DataItem> center) /初始每個簇中的中心點屬性this .arrayCluster.clear(); /把簇集合清空for(inti = 0; i < center.size(); i+) Cluster cluster =newCluster(i, center.get(i);if (this .center .get(i).getIsDataItem()cluster.addMembers(

18、center.get(i);this .arrayCluster.add(cluster);(3) 執(zhí)行聚類過程 ( 計算距離，把數(shù)據(jù)對象派分到最相似簇中)文檔大全實用標準文案publicvoidrunCluster(ArrayList<DataItem> center) int beyondIndex = 0;/ 判斷數(shù)據(jù)項屬于哪一個簇，初始默認為是0 簇Random rd =newRandom(); / 隨機函數(shù)printBeginInfo();/打印以此迭代開始前的信息。for(inti = 0; i <toBeProcessed.size(); i+) beyondI

19、ndex = 0;booleanisAlreadyExitInCluster =true ;/標記當前處理的數(shù)據(jù)對象是否已經(jīng)存在于某個簇中doubleminDistance = Tools.calcDistance (toBeProcessed.get(i),center.get(0), 0);intranIndex = rd.nextInt(center.size();/隨機產(chǎn)生一個中心點集合的索引for( int j = 0; j < center.size(); j+) /分別與每一個中心點進行比較if (center.contains(toBeProcessed.get(i)/如

20、果正在處理的數(shù)據(jù)對象存在于中心點集合中，則跳出循環(huán)break;isAlreadyExitInCluster =false ;if (ranIndex >= center.size()ranIndex = ranIndex % center.size();doublecorrentDistance = Tools.calcDistance (toBeProcessed.get(i), center.get(ranIndex), 0);if (correntDistance < minDistance) minDistance = correntDistance;文檔大全實用標準文案b

21、eyondIndex = ranIndex;/第二個ifranIndex+;/第二個forif (!isAlreadyExitInCluster) this .arrayCluster.get(beyondIndex).addMembers(toBeProcessed.get(i); /把數(shù)據(jù)對象加入到對應的簇中/第一個 forSystem. out .println("第 " + this .count+ " 次迭代完成。");printClusteringInfo();(4) 迭代過程 ( 產(chǎn)生新的中心點，繼續(xù)執(zhí)行聚類過程直至滿足終止條件)publi

22、cvoidfinishCluster() DecimalFormat df =newDecimalFormat("#.000");/格式化數(shù)據(jù)，保留三位小數(shù)for(inti = 0; i <NUM ; i+) doublemoveDistance = 0.0;/存放各個簇新舊中心點歐幾里得距離之和/重新計算簇中心點for( int j = 0; j <numOfCluster; j+) booleanisEmptyCluster =true ;DataItem newCenterItem;/聲明新的中心點對象文檔大全實用標準文案int size =this .a

23、rrayCluster.get( j).getMembers().size();double newCenterArea =newdouble NUMOFAREA ;/ 計算簇中數(shù)據(jù)的均值for (intindex = 0; index <NUMOFAREA ; index+) doubletempValue = 0.0;/暫存每一列區(qū)域值的加和for ( intk = 0; k < size; k+) isEmptyCluster =false ;tempValue +=this .arrayCluster.get( j).getMembers().get(k).getAreas

24、()index;if (!isEmptyCluster) newCenterAreaindex = Double.valueOf (df.format(tempValue / size); elsebreak ;/第三個forif (!isEmptyCluster) /如果簇不為空String name ="cluster"+ j;newCenterItem =newDataItem(name, newCenterArea,false );/新的簇中心點對象DataItem oldCenter =this .center .get( j); /獲取舊的簇中心點moveDis

25、tance += Tools.calcDistance (oldCenter,文檔大全實用標準文案newCenterItem, 0);/計算新舊中心點移動的距離this .center .remove(j); /更新簇中心點集合this .center .add( j, newCenterItem);/第二個for, 重新計算簇中心/ System.out.println(this.center.toString();/打印新的中心點信息if (moveDistance <EXIT * numOfCluster) break ;count +;initArrayCluster(this

26、.center );runCluster(this .center );/第一個 for3.3問題與改進聚類分析要求不同簇之間的距離盡可能大，初始隨機選取的中心點并不能保證不同中心點之間的距離盡可能遠，本程序?qū)λ惴ㄟM行改進， 在隨機選取中心點時要求與已經(jīng)選取的中心點之間的距離大于設定值。這樣做保證了隨機選取的中心點相對比較分散，提高了聚類效果。主要代碼如下：publicstaticbooleanisProCener(DataItem centerItem,/判斷是不是合適的中心點ArrayList<DataItem> center) if (center.size() > 0) /如果當前的中心點集合不為空文檔大全實用標準文案for( int i = 0; i < center.s