基于自然鄰居的聚類分析和離群檢測算法研究

第1章 緒論
1．1 數據挖掘的研究背景和意義
1．2 聚類分析和離群檢測的研究現狀
1．2．1 聚類分析研究現狀
1．2．2 離群檢測研究現狀
1．3 本章小結
第2章 聚類分析和離群檢測
2．1 聚類分析
2．1．1 聚類分析概述
2．1．2 聚類算法概述
2．1．3 聚類結果評估
2．2 離群檢測
2．2．1 離群的定義
2．2．2 離群檢測算法概述
2．2．3 離群檢測評價
2．3 本章小結
第3章 基于自然鄰居的局部核心點和準聚類中心
3．1 自然鄰居
3．2 基于自然鄰居的局部核心點
3．3 準聚類中心及自然核心點
3．3．1 準聚類中心
3．3．2 自然核心點
3．4 本章小結
第4章 基于中心的聚類算法
4．1 現有的基于中心的聚類算法存在的問題
4．2 基于局部核心點的DP算法DPI．ORE
4．2．1 基于局部核心點的DP算法基本思想
4．2．2 實驗結果及分析
4．3 基于準聚類中心的聚類算法QCC
4．3．1 QCC算法的基本思想
4．3．2 QCC算法實驗及分析
4．4 本章小結
第5章 層次聚類算法
5．1 現有的層次聚類算法存在的不足
5．2 基于自然鄰居的層次聚類算法Hi-CLUBS
5．2．1 Hi-CLUBS算法基本思想
5．2．2 實驗及分析
5．3 基于局部核心點的層次聚類算法Hi-CLUBS
5．3．1 HCLORE算法基本思想
5．3．2 實驗及分析
5．4 基于噪聲去除的層次聚類算法HCBNR
5．4．1 HCBNR算法的基本思想
5．4．2 實驗及分析
5．5 本章小結
第6章 最小生成樹聚類算法
6．1 基于最小生成樹的聚類算法存在的問題
6．2 基于局部核心點的最小生成樹算法LORE-MST
6．2．1 LORE-MST算法基本思想
6．2．2 實驗及分析
6．3 基于自然核心點的最小生成樹聚類分析算法NCP-MST
6．3．1 NCP-MST算法過程
6．3．2 實驗分析
6．4 本章小結
第7章 聚類結果內部評估方法
7．1 現有的聚類結果內部評估方法存在的不足
7．2 基于局部核心點的聚類結果評估方法
7．2．1 局部核心點之間基于圖的距離
7．2．2 LCCV指標
7．2．3 LCCV指標分析
7．2．4 基于LCCV指標的層次聚類算法
7．3 實驗結果及分析
7．3．1 人工數據集上的實驗結果
7．3．2 真實數據集上的實驗結果
7．3．3 LCCV指標與其他聚類算法結合的實驗結果
7．4 討論
7．4．1 局部核心點的合理性
7．4．2 噪聲點的影響
7．5 本章小結
第8章 離群檢測
8．1 現有離群檢測算法分析
8．2 基于自然鄰居的無參離群檢測算法NOF
8．2．1 NOF算法及相關定義
8．2．2 實驗結果及分析
8．3 基于互為鄰域圖的離群簇檢測算法ROCF
8．3．1 ROCF算法及相關定義
8．3．2 實驗結果及分析
8．4 本章小結
第9章 總結和展望
9．1 總結
9．2 展望
參考文獻
索引