改进的SNN算法：解决大规模混合属性数据聚类

"改进的共享最近邻聚类算法（SNN）是一种无监督机器学习方法，用于发现数据中的自然簇，尤其在处理大小不同、形状各异及密度差异显著的数据集时表现出色。原始SNN算法的优点在于它能识别变密度簇，通过共享最近邻的数量作为相似度衡量标准，有效地应对高噪声和高维数据。然而，其主要缺点包括： 1. 时间复杂度问题：SNN的时间复杂度为O(n^2)，对于大规模数据集，这种计算成本过高，限制了其在实际应用中的效率。 2. 参数阈值选择困难：原始算法缺乏明确的参数阈值选择策略，这在实际应用中可能导致聚类效果不稳定。 3. 数据类型局限：SNN仅适用于数值型数据，无法处理混合属性数据集。 针对这些问题，本文提出了一种改进的SNN算法。改进主要包括两个方面： 首先，通过引入一趟聚类算法的思想，将数据集近似划分为互不重叠的子集，仅计算同一子集内的点对相似度，从而显著降低了时间复杂度，使之变为近似线性，有利于处理大规模数据集。 其次，针对混合属性数据集，改进后的算法扩展了处理能力，不仅限于数值数据，也能够处理分类属性，提升了算法的适用范围。 此外，文章还关注了算法的优化细节，如在“去噪”、孤立点检测和代表点选择等方面进行了改进，提高了聚类的精度和效率。然而，虽然改进了计算效率，文献[8]提到的网格技术在设定网格个数M时并未提供具体指导，这是未来研究的一个方向。 改进的SNN算法通过优化计算策略和扩展数据类型处理能力，成功地解决了原始算法在大规模和高维数据处理上的瓶颈，实验证明其在处理各种复杂数据集时具有良好的性能。然而，进一步优化参数设置和细化算法细节仍有待研究，以提升算法的普适性和稳定性。"