4.4.2　聚类分析技术

将物理或抽象的对象的集合分成相似的对象类的过程称为聚类。聚类是一种重要的人类活动，也是目前应用最为广泛的数据挖掘技术，同时也是一个富有挑战的研究领域。传统的聚类技术主要有基于划分的K均值算法和K中心点算法；基于层次的算法，包括利用层次方法的平衡迭代规约的BIRCH（Balanced lterative Reducing and Clustering using Hierarchies）算法、分类属性的层次聚类ROCK（Robust Clustering using links）算法和利用动态建模的Chameleon算法；基于密度的算法，包括基于高密度联通区域的DBSCAN算法、通过点排序识别聚类结构的OPTICS（Ordering Points to idtify the clustering structure）算法和基于密度分布函数的DENCLUE（DENsity based Clust Ering）算法；基于网格的算法，包括统计信息网格STING（Statistical Information OPTICS Grid）算法、利用小波变换的Wave-Cluster算法；基于模型的算法，包括期望最大化方法、概念聚类和神经网络方法；高维聚类算法，包括维增长子空间聚类CLIQUE算法和维规约子空间聚类PROCLUS算法。

对于政府宏观决策的相关大数据集，传统的聚类算法有很多不足之处。其中最突出的问题就是处理速度过慢，现有的聚类分析技术应用于TB或者PB数量级的大数据集是不实际的，因为目前最大的单个磁盘容量为1～2 TB，而仅仅读取1 TB的数据就需要超过3小时。目前主流的聚类技术研究方向是并行式的聚类技术。