图标可视化技术在聚类算法中应用方法研究

摘要

随着数据时代的来临，大数据的分析、挖掘与可视化成为了信息技术发展的研究热点。数据可视化是利用计算机图形学和图像处理技术，将数据转换成图形或图像在屏幕上显示出来并进行交互处理的理论和方法。基于图标的可视化方法是一种常见的可视化方法，它采用了图标表达多元数据对象，并用不同的视觉元素表示数据对象不同的属性，在某些场合下具有简单高效的特性，因此在数据挖掘领域中得到了广泛的应用。
　　本文首先介绍了数据可视化的基本概念和数据可视化中常见的算法，详细说明了图标可视化技术的优势，为之后的研究工作打下了基础。接下来介绍了数据挖掘中常见的聚类算法，比较分析了这些算法的优缺点。然后着重阐述了K-means算法（K-均值算法）在聚类分析中的应用以及常见的对K-均值算法聚类效果的评价指标。最后提出了一种新的可视化方法，该方法不仅可以对K-均值算法初始参数的设定起到指导作用，而且能对K-均值算法的聚类效果起到评价作用。
　　PCA（主元分析）是数据挖掘领域中一种常用的数据分析方法。当数据的维度非常高时，各类可视化方法都无法清晰地表现数据细节。针对该问题，本文提出了一种基于PCA技术的图标可视化方法。该方法在减少数据集维度的同时，利用不同颜色的图标显示多元数据。实验表明，该方法不仅能在合理的空间布局下有效地展示复杂数据中隐含的关系和信息，而且与其它方法相比能够快速直观的对K-均值算法的初始参数进行指导，并对K-均值算法的聚类结果进行对比评价。

目录

声明

致谢

摘要

1 引言

1．1 研究背景

1．2 研究意义

1．3 研究现状

1．4 本文主要工作

1．5 本论文结构安排

2 数据可视化技术

2．1 数据可视化的分类

2．1．1 科学可视化

2．1．2 信息可视化

2．1．3 可视分析学

2．3 几种常用可视化技术

2．3．1 基于几何变换的技术

2．3．2 基于图标的可视化技术

2．3．3 基于像素的可视化技术

2．3．4 基于层次的可视化技术

2．4 数据挖掘可视化

2．4．1 可视化的交互技术

2．4．2 数据可视化与数据挖掘的关系

2．5 本章小结

3 常用聚类算法及评价算法

3．1 聚类分析方法

3．1．1 K-均值算法分类

3．1．2 聚类分析优化问题

3．2 聚类效果评价度量

3．2．1 外部度量法

3．2．2 内部度量法

3．2．3 相对度量法

3．3 本章小结

4 基于PCA技术的图标可视化方法

4．1 PCA技术

4．1．1 PCA技术的基本思想

4．1．2 PCA技术的步骤

4．2 聚类算法的可视化应用特征

4．2．1 K-均值算法描述

4．2．2 对K-均值算法初始值确定的步骤

4．3 基于图标的可视化模型和方法

4．3．1 基于像素图标的可视化方法

4．3．2 颜色空间的表示

4．3．3 基于PCA技术的图标可视化方法

4．4 本章小结

5 实验结果及分析

5．1 实验环境及工具

5．2 实验数据集简介

5．3 实验结果及分析

5．3．1 基于PCA的图标可视化算法的可视化展示

5．3．2 对K-均值算法值类别确定的实验

5．3．3 对K-均值聚类算法效果的评价

5．4 本章小结

6 结论

6．1 论文工作总结

6．2 工作展望

参考文献

作者简历

学位论文数据集