基于自然邻居的聚类分析和离群检测算法研究

第1章 绪论
1．1 数据挖掘的研究背景和意义
1．2 聚类分析和离群检测的研究现状
1．2．1 聚类分析研究现状
1．2．2 离群检测研究现状
1．3 本章小结
第2章 聚类分析和离群检测
2．1 聚类分析
2．1．1 聚类分析概述
2．1．2 聚类算法概述
2．1．3 聚类结果评估
2．2 离群检测
2．2．1 离群的定义
2．2．2 离群检测算法概述
2．2．3 离群检测评价
2．3 本章小结
第3章 基于自然邻居的局部核心点和准聚类中心
3．1 自然邻居
3．2 基于自然邻居的局部核心点
3．3 准聚类中心及自然核心点
3．3．1 准聚类中心
3．3．2 自然核心点
3．4 本章小结
第4章 基于中心的聚类算法
4．1 现有的基于中心的聚类算法存在的问题
4．2 基于局部核心点的DP算法DPI．ORE
4．2．1 基于局部核心点的DP算法基本思想
4．2．2 实验结果及分析
4．3 基于准聚类中心的聚类算法QCC
4．3．1 QCC算法的基本思想
4．3．2 QCC算法实验及分析
4．4 本章小结
第5章 层次聚类算法
5．1 现有的层次聚类算法存在的不足
5．2 基于自然邻居的层次聚类算法Hi-CLUBS
5．2．1 Hi-CLUBS算法基本思想
5．2．2 实验及分析
5．3 基于局部核心点的层次聚类算法Hi-CLUBS
5．3．1 HCLORE算法基本思想
5．3．2 实验及分析
5．4 基于噪声去除的层次聚类算法HCBNR
5．4．1 HCBNR算法的基本思想
5．4．2 实验及分析
5．5 本章小结
第6章 最小生成树聚类算法
6．1 基于最小生成树的聚类算法存在的问题
6．2 基于局部核心点的最小生成树算法LORE-MST
6．2．1 LORE-MST算法基本思想
6．2．2 实验及分析
6．3 基于自然核心点的最小生成树聚类分析算法NCP-MST
6．3．1 NCP-MST算法过程
6．3．2 实验分析
6．4 本章小结
第7章 聚类结果内部评估方法
7．1 现有的聚类结果内部评估方法存在的不足
7．2 基于局部核心点的聚类结果评估方法
7．2．1 局部核心点之间基于图的距离
7．2．2 LCCV指标
7．2．3 LCCV指标分析
7．2．4 基于LCCV指标的层次聚类算法
7．3 实验结果及分析
7．3．1 人工数据集上的实验结果
7．3．2 真实数据集上的实验结果
7．3．3 LCCV指标与其他聚类算法结合的实验结果
7．4 讨论
7．4．1 局部核心点的合理性
7．4．2 噪声点的影响
7．5 本章小结
第8章 离群检测
8．1 现有离群检测算法分析
8．2 基于自然邻居的无参离群检测算法NOF
8．2．1 NOF算法及相关定义
8．2．2 实验结果及分析
8．3 基于互为邻域图的离群簇检测算法ROCF
8．3．1 ROCF算法及相关定义
8．3．2 实验结果及分析
8．4 本章小结
第9章 总结和展望
9．1 总结
9．2 展望
参考文献
索引