数据挖掘应用示例

两类数据集的聚类结果

大样本数据集的聚类分析

鸢尾花数据集被公认为最著名的用于数据挖掘的数据集，它包含 3 种植物种类，每种各有 50 个样本，所以样本总数为 150。它有花萼长（sepallength）、花萼宽（sepalwidth）、花瓣长（petallength）、花瓣宽（petalwidth）4 个属性，且都是数值属性。为了使实验结果更明显，添加属性 class 用以显示鸢尾花所处的类，数据库内的三个品种分别是 Iris-versicolor、Iris-setosa 和 Iris-virginicia。

设置 k=3，在 SPSS 中 K-means 的运算结果如表 1 所示，KNIME 中 K-means的运算结果如图 1 所示。

表 1 SPSS 中 K-means 的运算结果（k=3） 图 1 KNIME 中 K-means的运算结果（k=3）

由于两个工具得到的聚类序号不具有一一对应关系，为了比较两种结果需要对类号进行统一。根据鸢尾花数据集的属性 class 可以完成这项工作，得到统一后的结果如表 2 所示。

表 2 进行统一后的聚类结果

通过以上结果可以得出这样的结论：当 K-means 聚类方法用于大样本数据集的时候，无论从聚类的最终中心距离，还是每个聚类内所有样本的数目，SPSS 和 KNIME 产生的聚类几乎是一致的，即排除 K-means 算法本身的一些缺陷以外，不同的分析工具不会对聚类结果产生显著影响。

小样本数据集的聚类分析

实验所采用的小样本数据集如表 3 所示，当 k 分别设置为 2 和 3 时，使用 KNIME 的运算结果如图 2 所示，使用 SPSS 的运算结果 如表 4 和 表 5 所示。

表 3 数据准备 图 2 KNIME 中 K-means 运算的结果（k 分别取2、3） 表 4 SPSS 中 K-means 运算的结果（k=2） 表 5 SPSS 中 K-means 运算的结果（k=3）

当 K-means 聚类方法用于大样本数据集的时候，本文只选取了在 k 值分别是 2 和 3 两种情况下的结果，可以看出 k 值从 2 变为 3 时，两种工具得出的最终结果存在较大的差异，这是因为算法开始时随机地选择 k 个对象，两种工具选取的样本将会有所不同，加之样本总数的限制，最终导致了聚类结果的差别。

数据挖掘的工具还有很多，如何进行数据集的选取是目前存在的问题，为了得到更加完善和具有普通意义的结论，需要关注这些问题。