[發(fā)明專利]一種數(shù)據(jù)分類方法和裝置

在審

• 申請?zhí)枺?/td>: 201611264188.6
• 申請日: 2016-12-30
• 公開（公告）號: CN108268526A
• 公開（公告）日: 2018-07-10
• 發(fā)明（設(shè)計）人: 李智偉;李長空;杜建鳳;趙偉;焦丙樂
• 申請（專利權(quán)）人: 中國移動通信集團(tuán)北京有限公司;中國移動通信集團(tuán)公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/62
• 代理公司: 北京同達(dá)信恒知識產(chǎn)權(quán)代理有限公司 11291
• 代理人: 郭潤湘

1.一種數(shù)據(jù)分類方法，其特征在于，包括：

獲取預(yù)處理后的待分類樣本數(shù)據(jù)集合；

針對預(yù)設(shè)聚類數(shù)的取值范圍中包含的每一聚類數(shù)，利用預(yù)設(shè)的數(shù)據(jù)分類算法對所述樣本數(shù)據(jù)集合進(jìn)行聚類得到相應(yīng)數(shù)量的類簇；以及

針對每一聚類數(shù)，確定該聚類數(shù)對應(yīng)的聚類結(jié)果評價指標(biāo)值；

確定利用聚類結(jié)果評價指標(biāo)值最高的聚類數(shù)對所述樣本數(shù)據(jù)集合進(jìn)行聚類得到的類簇為聚類結(jié)果。

2.如權(quán)利要求1所述的方法，其特征在于，針對預(yù)設(shè)聚類數(shù)的取值范圍中包含的每一聚類數(shù)，利用預(yù)設(shè)的數(shù)據(jù)分類算法對所述樣本數(shù)據(jù)集合進(jìn)行聚類得到相應(yīng)數(shù)量的類簇，具體包括：

針對所述樣本數(shù)據(jù)集合中所包含的每一樣本數(shù)據(jù)，確定該樣本數(shù)據(jù)對應(yīng)的樣本密度；

選擇樣本密度大于第一預(yù)設(shè)值的樣本數(shù)據(jù)組成樣本數(shù)據(jù)子集；

針對預(yù)設(shè)聚類數(shù)的取值范圍中包含的每一聚類數(shù)，從所述樣本數(shù)據(jù)子集中根據(jù)該聚類數(shù)選擇相應(yīng)數(shù)量的樣本數(shù)據(jù)得到聚類中心集合；并

以該聚類數(shù)作為期望聚類數(shù)，以所述聚類中心集合作為初始聚類中心集合，利用K-means算法對所述樣本數(shù)據(jù)集合進(jìn)行聚類得到聚類結(jié)果。

3.如權(quán)利要求2所述的方法，其特征在于，針對所述樣本數(shù)據(jù)集合中所包含的每一樣本數(shù)據(jù)，確定該樣本數(shù)據(jù)對應(yīng)的樣本密度，具體包括：

針對所述樣本數(shù)據(jù)集合中所包含的每一樣本數(shù)據(jù)，確定所述樣本數(shù)據(jù)集中、與該樣本數(shù)據(jù)之間的距離不大于第二預(yù)設(shè)值的樣本數(shù)據(jù)的數(shù)量為該樣本數(shù)據(jù)對應(yīng)的樣本密度。

4.如權(quán)利要求3所述的方法，其特征在于，針對預(yù)設(shè)聚類數(shù)的取值范圍中包含的每一聚類數(shù)，從所述樣本數(shù)據(jù)子集中根據(jù)該聚類數(shù)選擇相應(yīng)數(shù)量的樣本數(shù)據(jù)得到聚類中心集合，具體包括：

針對預(yù)設(shè)聚類數(shù)的取值范圍中包含的每一聚類數(shù)，從所述樣本數(shù)據(jù)子集中將樣本密度最高的樣本數(shù)據(jù)加入所述聚類中心集合中；并

從所述樣本數(shù)據(jù)子集中剩余的樣本數(shù)據(jù)中選擇滿足以下條件的樣本數(shù)據(jù)加入所述聚類中心集合中，直至所述聚類中心集合中包含的樣本數(shù)據(jù)數(shù)量達(dá)到當(dāng)前相應(yīng)的聚類數(shù)：與當(dāng)前聚類中心集合中包含的每一樣本數(shù)據(jù)之間的距離均大于第三預(yù)設(shè)值，且與當(dāng)前聚類中心集合中包含的每一樣本數(shù)據(jù)之間的距離之和最大。

5.如權(quán)利要求4所述的方法，其特征在于，如果樣本數(shù)據(jù)子集中包含的樣本密度最高的樣本數(shù)據(jù)有多個，則按照以下方法獲得所述聚類中心集合：

針對每一樣本密度最高的樣本數(shù)據(jù)，分別確定該樣本密度最高的樣本數(shù)據(jù)對應(yīng)的聚類中心集合；并

確定該樣本密度最高的樣本數(shù)據(jù)對應(yīng)的聚類中心集合中、其它樣本數(shù)據(jù)與該樣本密度最高的樣本數(shù)據(jù)之間的距離之和；

選擇距離之和最大的、樣本密度最高的樣本數(shù)據(jù)對應(yīng)的聚類中心集合為最終的聚類中心集合。

6.如權(quán)利要求1～5任一權(quán)利要求所述的方法，其特征在于，針對每一聚類數(shù)，確定該聚類數(shù)對應(yīng)的聚類評結(jié)果價指標(biāo)值，具體包括：

針對每一聚類數(shù)，按照以下公式確定該聚類數(shù)對應(yīng)的聚類結(jié)果評價指標(biāo)值：其中：

k表示預(yù)設(shè)聚類數(shù)的取值范圍中包含的任一聚類數(shù)；

i表示根據(jù)聚類數(shù)k對所述樣本數(shù)據(jù)集合進(jìn)行聚類得到的任一類簇對應(yīng)的類簇標(biāo)識；

CBWP_k表示聚類數(shù)k對應(yīng)的聚類結(jié)果評價指標(biāo)值；

dist_within表示任一類簇對應(yīng)的類內(nèi)距離，定義為該類簇中各樣本數(shù)據(jù)與該類簇的聚類中心之間距離的平均值；

dist_between表示任一類簇對應(yīng)的類間距離，定義為該類簇與其它類簇之間距離的最小值，其中兩個類簇之間的距離定義為兩個類簇的聚類中心之間的距離。