混合聚类分析方法

EVALUATION OF HYBRID CLUSTERING METHOD 获取实验数据
为了评估所提出的方法，向学生收 集关于学习风格（ILS）的问卷调查， 再将每个学生的不同行为属性换算成0 到11 （共12个）的纯数字，以此作为各 种学习方式的维度。
EVALUATION OF HYBRID CLUSTERING METHOD
维度
所观测的学生偏好 阅读材料的类型（抽象的， 具体的） 幻灯片放映类型
ILS的调查项目。 将抽象的属性维 转换成具体的数
花时间阅读的概念和理论
知觉 花时间，例如阅读和概况 做额外练习 阅读更多示例 考试做和复习时间
字维度
EVALUATION OF HYBRID CLUSTERING METHOD
法进行聚类分析，再将结果簇
进行混合比较，最后修改成最 佳结果
about clusters is better than
modifying just one method.
方法流程
开始
①：计算DB指数， 确定簇的最佳个数
结束
原 著
②：选择聚类分析 的基本方法
⑤：重复修改聚类 和删除元素
③：对照不同ቤተ መጻሕፍቲ ባይዱ 类方法的结果
END
感谢大家的聆听！ 不足之处，请多包涵
诚挚的希望我们小组能给大家带来新的收获！
根据所观察到学生的行为和学习特
不同研究者对比
其他研究者
聚类方法 侧重方面 聚类精度 难度 弱爆 叼炸 单一 学生的行为
本文研究者
混合 方法的混合
Hybrid Clustering Method（HCM）
英语原著 It seems clustering learners by basic methods separately and then hybrid the result to decide 中文概括 首先先用各种常见聚类分析方
Abstract（摘要）
在线教育是近些年来刚兴起的一种教育模式，相对于传统的教 学模式而言，在线教育便捷、实用、跨越时空界限、更接地气，更 适应现代人快节奏的生活方式。 分组学习是在线教育的一个基本功能和显著特征。分组学习能 够根据广大受众体的个体特征，各取所需，因材施教，大大提高了 教学及学习的效率。 目前，在全球排名靠前的名牌大学都纷纷开设了自己的网络课 程，例如耶鲁大学、哈佛大学、北京大学，还有我们厦门理工。在 线教育已经成为一种新的发展趋势。
计算各聚类算法精度，进行对比
P&G指数独立于集群 的形状和数据分布， 是用来找到最好的聚 类数据集的指标。 P&G指数越大，聚类 精度越高。
CONCLUSION AND FUTURE WORK
任何改进的算法都是试图对聚类分析进行更好 地优化，但对于不同的问题，它们还需要正确的对 应运用。
显然，混合聚类分析对于实验对象有了更优化 的分析，但另一方面，在面对不同的研究对象，使 用什么样的基础算法进行混合，将是我们未来不得 不讨论的问题
用Evolutionary Fuzzy Cmeans (EFC)、C-means、
K-means算法进行聚类分
析，计算出DB指数。 DB指数越低极为最佳簇 的划分个数。如图，此 处为DB值为4
如图，此为根据DB值为4的
新的聚类分析
EVALUATION OF HYBRID CLUSTERING METHOD
其中 是特征向量和 是第j个簇的之 间的欧几里德距离的平均值元素，并且该集群的 中心
Hybrid Clustering Method（HCM） 方法简评
在上述的步骤叙述中，每一个步骤的时间和空间复杂度并不是算
法的关键。在“在线教育”这个研究范围中，不仅包含着大量的数据
还有复杂的混合数据维度，所以算法的关键在于如何精确而又快速的 进行聚类分析，实现分组学习。
SO
育投资
如何进行相对应的有效分组是在线学习 发展的关键，也是我们这次研究的对象。
有效的分组能方便进行科学的教 分组研究也加强在线教育的效果，
由于教师和基础设备的限制，无法
实现一对一在线教育，故采大都采 用分组学习 征换做维度，进行聚类分析，分析 完的簇相当于组，一次进行个性化 教育
反促进其发展
步骤5
重复修改聚类和删除元素:选择最高的最佳候选压缩标准。 压缩标准被定义为:有可能被重复元素在多个聚类或不在 认可所有的聚类,因为聚类可能属于不同的集群的方法。 解决重复元素的问题,在这一步中,确定多个集群成员的元 素，然后决定他们的成员是否在一个聚类，以及删除部 分内容.标准产生的最好的集群中，定义这些元素是表达 式(4)
对照不同聚类方法的结果: 根据DB指数的定义特征，DB值 越小，聚类分析效果越好。对比 不同聚类方法下的DB值，筛选 DB值最小的值作为簇的划分个数
步骤4
在每一个对照组中选择最紧凑的簇:选择最高的最佳候选 压缩标准。压缩标准被定义为:
其中aij为第i个到第j个候选簇元素的特征向量,c j是j聚类的 特征向量，nj是聚类j的成员的数量。这个关系通过独 立集群成员的数量，计算集群密实度的非线性方程。
A new approach in e-learners grouping using Hybrid Clustering Method
一种运用混合聚类分析“在线分组学习”的新方法
－指导老师：
－组员：
论文研究背景和动机
混合聚类分析方法的流程
根据论文提供的实例验证方法 根据论文留下的对未来聚类分析的市场预测和 采用混合分析方法的新挑战进行扩展分析
④：在每一个对照组中 选择最紧凑的簇
步骤1
计算公式： 这个距离被确定为：
其中N是簇的数量，而Si是簇的成员 i和簇的中心之间的平均欧氏距离。
Ti是簇数量i的成员，Ci是是簇的中心i， Xj是i集群的成员第j个。 dis（C，C)是左边等式中的中心第i个和第 j个之间聚类的欧氏距离。
步骤2
步骤3
选择聚类的基本方法: 选择聚类的基本算法，如Kmeans、C-means等，计算它们 的DB指数