李慧敏

（福建船政交通职业学院 信息工程系，福建 福州 350000）

当前，各个领域每时每刻都产生了大量的数据，我们已进入大数据时代。谁能有效分析和利用这些海量数据，谁将掌握创新和转型的关键。其中的一项关键技术就是大数据的聚类算法，在商业、农业、移动网络、医疗、科学、教育等应用领域都具有重要应用价值。

1 大数据聚类算法介绍

文中将已有的大数据聚类算法划分成两种：单机聚类算法和多机聚类算法[1]。

1.1 单机聚类算法

单机聚类算法主要有传统聚类算法、基于抽样的聚类以及基于降维的聚类3种。

传统聚类算法包含分区聚类算法、分层聚类算法、基于密度的聚类算法、基于网格的聚类算法、基于模型的聚类算法。其中，分区聚类算法根据点和点之间在单个分区中的分离距离聚类；分层聚类算法根据数据的层次进行划分；基于密度的聚类算法能发现不同密度的区域；基于网格的聚类能降低算法复杂度；基于模型的聚类算法可以较好地避免测量划分的不确定性问题，但是速度较慢。

基于抽样的聚类算法先从大数据中抽取一个样本，对样本进行聚类，再应用到整个大数据上，提高了效率并节省了空间。抽样聚类主要有以下3种聚类算法：基于随机选择的聚类算法（CLARANS）、利用层次方法的平衡迭代规约和聚类（BTRCH）和针对大型数据库的高效的聚类算法（CURE）。其中，CLARANS的优势在动态处理上；BTRCH提高数据处理效率的方式是充分利用其自身的数据结构节省空间；……