基于K-均值聚类和凝聚聚类的离群点查找方法

doi:10.3778/j.issn.1002-8331.2009.29.039

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (29): 131-133.DOI: 10.3778/j.issn.1002-8331.2009.29.039

• 数据库、信号与信息处理 • 上一篇下一篇

基于K-均值聚类和凝聚聚类的离群点查找方法

曾颖，罗可，邹瑞芝

长沙理工大学计算机与通信工程学院，长沙 410076

收稿日期:2008-06-02 修回日期:2009-04-22 出版日期:2009-10-11 发布日期:2009-10-11
通讯作者: 曾颖

Outliers detection method based on K-means and agglomerative clustering

ZENG Ying，LUO Ke，ZOU Rui-zhi

College of Computer and Communication Engineering，Changsha University of Science and Technology，Changsha 410076，China

Received:2008-06-02 Revised:2009-04-22 Online:2009-10-11 Published:2009-10-11
Contact: ZENG Ying

摘要/Abstract

摘要： 离群点发现是数据挖掘研究的一个重要方面。根据数据流的特点，给出了一种基于K-均值聚类和凝聚聚类的离群点发现方法，先用K-均值聚类对数据流进行处理，生成中间聚类结果，然后用凝聚聚类对这些中间结果进行再次选择，最后找出可能存在的离群点。

关键词: 数据挖掘, 离群点, K-均值聚类, 凝聚聚类

Abstract: Outliers detection is an important issue in data mining.In this paper，according to the characteristics of data streams，an outliers detection method based on k-means and agglomerative clustering is proposed，which uses k-means clustering to find some intermediate results，and applies agglomerative clustering on each intermediate result to pick out potential outliers.

Key words: data mining, outliers, k-means clustering, agglomerative clustering

中图分类号:

TP311

曾颖，罗可，邹瑞芝. 基于K-均值聚类和凝聚聚类的离群点查找方法[J]. 计算机工程与应用, 2009, 45(29): 131-133.

ZENG Ying，LUO Ke，ZOU Rui-zhi. Outliers detection method based on K-means and agglomerative clustering[J]. Computer Engineering and Applications, 2009, 45(29): 131-133.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[4]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[5]	周玉，朱文豪，房倩，白磊. 基于聚类的离群点检测方法研究综述[J]. 计算机工程与应用, 2021, 57(12): 37-45.
[6]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[7]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[8]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[9]	贺寰烨，林果园，顾浩，方梦华. 云虚拟机异常检测场景下改进的LOF算法[J]. 计算机工程与应用, 2020, 56(23): 80-86.
[10]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[11]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[12]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[13]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[14]	马克勤，杨延娇，秦红武，耿琳，王丕栋. 结合最大最小距离和加权密度的K-means聚类算法[J]. 计算机工程与应用, 2020, 56(16): 50-54.
[15]	孟海东1，2，孙新军2，宋宇辰1. 基于数据场的改进LOF算法[J]. 计算机工程与应用, 2019, 55(3): 154-158.

基于K-均值聚类和凝聚聚类的离群点查找方法

Outliers detection method based on K-means and agglomerative clustering

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics