基本介紹
算法簡介,算法特點,算法思想,算法步驟,
算法簡介
全稱：Iterative Selforganizing Data Analysis Techniques Algorithm
“合併”操作：
當聚類結果某一類中樣本數太少，或兩個類間的距離太近時，進行合併。
“分裂”操作：
當聚類結果某一類中樣本某個特徵類內方差太大，將該類進行分裂
算法特點
使用誤差平方和作為基本聚類準則
設定指標參數來決定是否進行“合併”或“分裂”
設定算法控制參數來決定算法的運算次數
具有自動調節最優類別數k的能力
算法規則明確，便於計算機實現
算法思想
isodata，疊代自組織分析，通過設定初始參數而引入人機對話環節，並使用歸併與分裂的機制，當某兩類聚類中心距離小於某一閾值時，將它們合併為一類，當某類標準差大於某一閾值或其樣本數目超過某一閾值時，將其分為兩類。在某類樣本數目少於某閾值時，需將其取消。如此，根據初始聚類中心和設定的類別數目等參數疊代，最終得到一個比較理想的分類結果
算法步驟
算法步驟如下：
①初始化
設定控制參數：
c：預期的類數；
Nc：初始聚類中心個數（可以不等於c）；
TN：每一類中允許的最少樣本數目（若少於此數，就不能單獨成為一類）；
TE：類內各特徵分量分布的相對標準差上限（大於此數就分裂）；
TC：兩類中心間的最小距離下限（若小於此數，這兩類應合併）；
NT：在每次疊代中最多可以進行“合併”操作的次數；
NS：允許的最多疊代次數。
選定初始聚類中心
②按最近鄰規則將樣本集{xi}中每個樣本分到某一類中
③依據TN判斷合併：如果類ωj中樣本數nj< TN，則取消該類的中心zj，Nc=Nc-1，轉至② 。
④計算分類後的參數：各類重心、類內平均距離
及總體平均距離
計算各類的重心：
計算各類中樣本到類心的平均距離：
計算各個樣本到其類內中心的總體平均距離：
⑤判斷停止、分裂或合併。
a、若疊代次數Ip =NS，則算法結束；
b、若Nc ≤c/2，則轉到⑥ （將一些類分裂）；
c、若Nc ≥2c，則轉至⑦ （跳過分裂處理）；
d、若c/2< Nc<2c，當疊代次數Ip是奇數時轉至⑥ （分裂處理）；疊代次數Ip是偶數時轉至⑦ （合併處理）。
⑥分裂操作
計算各類內樣本到類中心的標準差向量
σj=(σ1j, σ2j,…., σnj)T , j=1,2,…..,Nc
計算其各個分量。
求出每一類內標準差向量σj中的最大分量
若有某一類中最大分量大於TE，同時又滿足下面兩個條件之一：
a、 > 和
>2(TN+1) b、Nc
c/2
則將該類ωj分裂為兩個類，原zj取消且令Nc=Nc+1。
兩個新類的中心zj+和zj-分別是在原zj中相應於
的分量加上和減去
，而起它分量不變，其中0<k≤1。
分裂後，Ip=Ip+1, 轉至②。
⑦合併操作
計算各類中心間的距離Dij，i=1,2,…,Nc-1; j=1,2,…,Nc
依據TC判斷合併。將Dij與TC比較，並將小於TC的那些Dij按遞增次序排列，取前NT個。
從最小的Dij開始，將相應的兩類合併，並計算合併後的聚類中心。
在一次疊代中，某一類最多只能合併一次。
Nc=Nc-已並掉的類數。
⑧如果疊代次數Ip=NS或過程收斂，則算法結束。否則，Ip=Ip+1，若需要調整參數，則轉至①；若不改變參數，則轉至②；
