一种数据聚类方法技术

本发明专利技术提供一种数据聚类方法，该方法包括步骤1：获取原始样本；步骤2：通过原始样本随机生成新样本；步骤3：将原始样本标记为第一样本，并将新样本标记为第二样本，混合得到混合样本；步骤4：对混合样本进行分类训练，并得到具有样本节点的分类模型；步骤5：统计分类模型的样本节点数量，并对分类模型内的样本节点进行特征标记；步骤6：提取样本节点的路径，并基于路径得到样本节点的逻辑结构；步骤7：运用节点筛选算法，筛选重要样本节点；步骤8：统计重要样本节点覆盖的样本，得到聚类的簇。该方法可生成具有局部相似性、可解释性的簇，该方法可更好的应用在现实的聚类问题当中。

A data clustering method

【技术实现步骤摘要】
一种数据聚类方法
本专利技术涉及数据处理领域，本专利技术特别涉及了一种数据挖掘方法。
技术介绍
伴随着大数据的蓬勃发展，数据的价值日益增大，挖掘数据背后的规律是商业竞争不可缺少的部分，数据挖掘已经成为当今各行各业不可缺少的技术。数据挖掘是指从大数据中，通过各类数据挖掘与机器学习的方法，挖掘分析得出数据背后的规律的方法。传统的聚类分析是基于计算数据的距离，从而得到不同的类别划分的聚类方法，是数据挖掘领域中的重要分支，属于无监督的机器学习方法。目前模式识别、机器学习、图像、语音及大数据及数据挖掘领域都广泛应用该技术。其中热门的聚类算法包括：kmeans、DBSCAN、EM算法、层次聚类等，此类算法均基于数据距离进行计算，而聚类的类别结果均存在主观规定的参数，具有严重的不确定性和随机性。以kmeans为例，聚类类别个数基于人为主观判断，初始的类别中心点也具有很强的随机性。上述传统的聚类方法在实际应用中存在两个缺陷：1、全局相似性，使用数据的距离来进行数据聚类，而在现实中，真实的数据聚类其实是只需要局部相似即可聚为一类。2、不可解释性，本文档来自技高网...

【技术保护点】
1.一种数据聚类方法，其特征在于，该方法包括以下步骤：/n步骤1：获取原始样本；/n步骤2：通过原始样本随机生成新样本；/n步骤3：将原始样本标记为第一样本，并将新样本标记为第二样本，混合得到混合样本；/n步骤4：对混合样本进行分类训练，并得到具有样本节点的分类模型；/n步骤5：统计分类模型的样本节点数量，并对分类模型内的样本节点进行特征标记；/n步骤6：提取样本节点的路径，并基于路径得到样本节点的逻辑结构；/n步骤7：运用节点筛选算法，筛选重要样本节点；/n步骤8：统计重要样本节点覆盖的样本，得到聚类的簇。/n

【技术特征摘要】
1.一种数据聚类方法，其特征在于，该方法包括以下步骤：
步骤1：获取原始样本；
步骤2：通过原始样本随机生成新样本；
步骤3：将原始样本标记为第一样本，并将新样本标记为第二样本，混合得到混合样本；
步骤4：对混合样本进行分类训练，并得到具有样本节点的分类模型；
步骤5：统计分类模型的样本节点数量，并对分类模型内的样本节点进行特征标记；
步骤6：提取样本节点的路径，并基于路径得到样本节点的逻辑结构；
步骤7：运用节点筛选算法，筛选重要样本节点；
步骤8：统计重要样本节点覆盖的样本，得到聚类的簇。


2.如权利要求1所述的一种数据聚类方法，其特征在于，步骤1中原始样本包括待聚类的样本以及待处理数据的指定聚类目标数。


3.如权利要求2所述的一种数据聚类方法，其特征在于，所述步骤4中分类训练的算法为...

【专利技术属性】
技术研发人员：柴磊，许靖，
申请(专利权)人：深圳市魔数智擎人工智能有限公司，
类型：发明
国别省市：广东;44