自底向上子空间层次聚类算法：高维分类型数据的高效解决方案

本文主要探讨了"一种高维分类型数据的子空间聚类算法"这一研究主题，由孙浩军教授等人提出，他们属于汕头大学工学院，该研究得到了国家自然科学基金项目的资助。高维分类型数据的处理是当前数据科学中的一个重要挑战，因为高维数据中的冗余属性使得在全空间上进行聚类变得困难。子空间聚类作为一种有效的解决方案，通过在相关维度上进行搜索，可以提高聚类的效率和准确性。 论文的核心贡献是设计了一种自底向上的子空间层次聚类算法，该算法在全局范围内构建了一个最相似线性表，用于记录每个簇类与其最相似簇类的相似度。这种方法在信息熵的框架下进行搜索，有助于找到簇类的精确子空间。算法在聚类过程中通过不断选择最相似的簇类进行合并，通过维护线性表动态更新最相似簇类的信息。这种策略显著提高了算法在处理高维分类型数据时的精度和稳定性。 实验证明，通过在Zoo和Soybean两个典型的数据集上的实验，该算法相较于其他同类聚类算法，如k-means、CLARANS和DBSCAN等，显示出更高的聚类准确性和稳定性。这对于那些需要处理大规模高维分类数据的应用场景具有重要的实际价值，例如商务智能、图像模式识别和生物信息学等领域。 这篇论文提供了一种有效的解决高维数据聚类问题的方法，强调了子空间聚类在减少维度冗余、提高聚类效果方面的优势，并展示了其在实际数据集上的良好性能，为高维数据分析的研究者和实践者提供了新的思路和技术支持。