於文卓：数据挖掘实验-聚类算法实战与性能评估

在本次实验中，学生於文卓于2019年12月9日在杭州电子科技大学计算机学院进行的数据仓库与数据挖掘课程中，进行了第四个聚类实验，其主题聚焦于常用聚类算法的理解和应用。实验的主要目标包括深化对聚类过程和原理的认识，掌握K-Means、K-Mediods、凝聚层次聚类和DBSCAN等算法的操作，以及学习性能评估方法。 K-Means算法是实验的核心部分，它基于简单的距离度量，通过迭代的方式将数据点划分到最近的聚类中心。这个过程要求预先知道簇的数量，其优点在于计算效率高，但缺点是对类别数量的预设依赖性强。K-Medoids算法则是为了解决K-Means对孤立点敏感的问题，它选择每个簇中最接近中心的对象作为簇的代表，提高了算法对异常值的鲁棒性。 另一个重要的聚类算法是凝聚层次聚类，它是一种自底向上，通过不断合并相邻的聚类形成更高层级的聚类结构。这种方法不需要预先设定聚类数量，但计算复杂度相对较高。DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法则是一种基于密度的聚类方法，它能自动识别噪声点并进行聚类，适合处理不规则形状的簇和大小不一致的簇。 实验步骤分为几个关键环节：首先，导入必要的函数库；然后，按照要求将文件名格式化为"学号+姓名+聚类"；接着，实施K-Means和K-Medoids等算法进行聚类操作，可能包括数据预处理、设置参数、执行聚类过程和调整；最后，通过对聚类结果的分析和性能指标如轮廓系数或Calinski-Harabasz指数的计算，评估聚类效果，并提交实验报告。 在整个实验过程中，学生不仅需要理论知识的运用，还需要实践技能的提升，以及对聚类算法适用场景和局限性的深入理解。完成实验后，通过作业提交系统进行成果展示，这不仅是对所学知识的检验，也是对解决问题能力的锻炼。