本文讨论数据挖掘中聚类的相关概念、技术和算法,在对常见聚类算法进行评价的基础上,针对密度聚类的参数选取问题,提出了一种动态参数解决方案。 目前已提出的聚类算法中,基本上都是基于“距离”的概念,不管是传统的欧氏几何距离还是其它意义上的距离,如常见的k-means、k-medoids算法,这类算法的缺点在于处理大数据集和高维数据集时不够有效,另一方面它能发现的聚类个数常常依赖于用户参数的指定,而这对用户来说经常是很困难的。 本文针对聚类算法中参数选取的问题,对参数选取问题给出了一种解决办法,提出了一种动态计算参数的算法。本文讨论的算法与已有算法的根本不同在于,它抛弃了距离的概念,采取一种新的思路,是一种基于密度的动态参数的单元聚类算法,它的优点在于能够自动发现包含有趣知识的子空间,并将里面存在的所有聚类挖掘出来;另一方面它能很好的处理高维数据和大数据集的数据表格。算法将最后的结果用DNF的形式表示出来。