[论文解读] Clustering Mixed Numeric and Categorical Data: A Cluster Ensemble Approach

Zengyou He, Xiaofei Xu+1 more|ArXiv.org|Sep 5, 2005

Advanced Clustering Algorithms Research被引用 52

一句话总结

本文提出一种用于混合数值型与类别型数据聚类的聚类集成方法，通过将数据集划分为独立的数值型与类别型子数据集，分别应用类型特定的聚类算法，并通过最终的类别型聚类步骤整合结果。该方法有效整合了多种聚类算法，在真实数据集上表现优于现有技术，并为混合属性聚类提供了一个灵活的框架。

ABSTRACT

Clustering is a widely used technique in data mining applications for discovering patterns in underlying data. Most traditional clustering algorithms are limited to handling datasets that contain either numeric or categorical attributes. However, datasets with mixed types of attributes are common in real life data mining applications. In this paper, we propose a novel divide-and-conquer technique to solve this problem. First, the original mixed dataset is divided into two sub-datasets: the pure categorical dataset and the pure numeric dataset. Next, existing well established clustering algorithms designed for different types of datasets are employed to produce corresponding clusters. Last, the clustering results on the categorical and numeric dataset are combined as a categorical dataset, on which the categorical data clustering algorithm is used to get the final clusters. Our contribution in this paper is to provide an algorithm framework for the mixed attributes clustering problem, in which existing clustering algorithms can be easily integrated, the capabilities of different kinds of clustering algorithms and characteristics of different types of datasets could be fully exploited. Comparisons with other clustering algorithms on real life datasets illustrate the superiority of our approach.

研究动机与目标

• 解决包含数值型和类别型属性的数据集聚类挑战，因为大多数传统算法无法有效处理此类数据。
• 克服现有聚类方法仅针对数值型或类别型数据设计的局限性。
• 开发一个灵活的框架，支持为不同类型数据量身定制的成熟聚类算法的集成。
• 通过聚类集成组合多种算法的优势，提升聚类的准确性和鲁棒性。
• 提供可扩展且可伸缩的解决方案，适用于包含异构数据类型的现实世界数据挖掘应用。

提出的方法

• 将原始的混合属性数据集划分为两个子数据集：一个仅包含数值型属性，另一个仅包含类别型属性。
• 在其对应的子数据集上应用成熟的聚类算法（如数值型数据使用k-means，类别型数据使用k-modes），生成初始聚类结果。
• 将两个子数据集的聚类结果转换为统一的类别型表示形式，以适用于集成处理。
• 在组合后的结果表示上使用类别型数据聚类算法（例如k-modes）进行处理，生成最终的集成聚类结果。
• 利用聚类集成范式整合多种聚类结果，提升结果的稳定性和准确性。
• 通过允许现有聚类算法无需修改即可轻松集成到框架中，确保兼容性和模块化。

实验结果

研究问题

• RQ1 如何有效组合专为同类型数据设计的聚类算法，以处理混合属性数据集？
• RQ2 在混合数据环境中，采用分而治之策略对聚类准确性和鲁棒性有何影响？
• RQ3 与单一算法方法相比，聚类集成框架是否能提升在混合数值型与类别型数据上的性能？
• RQ4 所提出的方法在实现跨类型集成的同时，如何保持不同类型数据的特性？
• RQ5 该框架在支持现有聚类算法的可扩展性和集成方面，其程度如何？

主要发现

• 所提出的聚类集成方法在真实世界混合属性数据集上，聚类性能优于传统单一算法方法。
• 该方法通过解耦数值型与类别型数据的处理，有效应对混合数据的异质性，同时保留了类型特定的特征。
• 通过最终的类别型聚类步骤整合结果，显著提升了整体聚类质量和稳定性。
• 该框架支持现有聚类算法的无缝集成，使其能够灵活适应多种数据类型和应用场景。
• 在真实数据集上的实证评估证实了该方法在发现混合属性数据中具有意义模式方面的鲁棒性和有效性。