[发明专利]基于中心匹配的簇数量确定方法、装置、设备及存储介质

说明书

本发明涉及数据挖掘领域，公开了一种基于中心匹配的簇数量确定方法、装置、设备及存储介质，该方法包括：将原始数据集转换为原始向量数据集；根据原始向量数据集确定边界数据，并删除原始数据集中的边界数据，获得核心数据集；根据核心数据集确定密度峰值集和均值中心集；基于密度峰值集和均值中心集确定最佳簇数量。由于本发明是通过对比来自不同源的高代表性数据的位置行为来确定最佳簇数量而非直接定义，相比于现有技术中通过预先定义聚类有效性指标，然后对完整聚类结果进行迭代式评分来确定最佳簇数量，本发明避免了边界数据的消极影响，并且无需进行大量迭代，能够准确快速地确定最佳簇数量。

技术领域

本发明涉及数据挖掘技术领域，尤其涉及一种基于中心匹配的簇数量确定方法、装置、设备及存储介质。

背景技术

如今，在聚类分析中如何确定最佳聚类成为数据挖掘中经典且广受关注的一个研究方向，而正确的簇数量是获得最佳聚类的基础。现有技术中通常以聚类有效性指标（cluster validity index）为主线，给定不同的簇数量取值来多次运行基础聚类算法以产生不同的聚类结果，并利用聚类有效性指标对当前聚类结果进行评价打分。最后，通过聚类有效性指标的最佳取值（最大或最小）来确定实际的簇数量。

然而，由于聚类有效性指标设计过于复杂，导致实际采用上述现有技术的方法时，需要对输入的原始数据集进行大量迭代。并且面对复杂数据时，如高维、流形、嵌套、重叠、边界模糊，现有技术依赖的“最佳簇数量+最佳有效性指标取值+最佳聚类”的匹配性往往被打破。因此，无法快速确定原始数据集的簇数量。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种基于中心匹配的簇数量确定方法、装置、设备及存储介质，旨在解决现有技术中无法快速确定原始数据集的簇数量的技术问题。

为实现上述目的，本发明提供了一种基于中心匹配的簇数量确定方法，所述方法包括以下步骤：

将原始数据集转换为原始向量数据集；

根据所述原始向量数据集确定边界数据，并删除所述原始数据集中的边界数据，获得核心数据集；

根据所述核心数据集确定密度峰值集和均值中心集；

基于所述密度峰值集和所述均值中心集确定最佳簇数量。

可选地，所述将原始数据集转换为原始向量数据集，包括：

根据空间向量分解定理，将原始数据集所在的数据空间转换为向量空间；

通过所述向量空间将所述原始数据集转换为原始向量数据集。

可选地，所述根据所述原始向量数据集确定边界数据，包括：

建立投影子空间，将所述原始向量数据集中的各向量数据输入至所述投影子空间中；

标记所述投影子空间中存在偏斜分布的向量数据，并将所述存在偏斜分布的向量数据对应的原始数据确定为边界数据。

可选地，所述根据所述核心数据集获取密度峰值集和均值中心集，包括：

根据预设局部采样半径获取所述核心数据集中各数据的局部密度和高密度最小距离；

根据所述局部密度和所述高密度最小距离生成密度峰值集；

通过K-means++算法从所述核心数据集中获取均值中心集。

可选地，所述根据所述局部密度和所述高密度最小距离生成密度峰值集，包括：

将所述各数据的局部密度和高密度最小距离相乘得到决策值；

根据所述决策值的大小对所述核心数据集中各数据进行降序排序，选取排在前的数据作为密度峰值集，其中，N为核心数据集的数据总数。

可选地，所述基于所述密度峰值集和所述均值中心集确定最佳簇数量，包括：