聚類集成是機器學習和數(shù)據(jù)挖掘領(lǐng)域中一種極其重要的方法,它通過設計共識函數(shù)的方法對聚類集體中多個帶有差異性的聚類結(jié)果進行集成,從而提高聚類結(jié)果的質(zhì)量。聚類集成雖然可以提高學習精度,但對于如何選擇個體精度高、差異性大的基聚類結(jié)果仍存在著許多困難。選擇性聚類集成的實質(zhì)是選取一部分差異性大、準確性高的基聚類結(jié)果進行集成,從而提高聚類集成結(jié)果的質(zhì)量。聚類集成解決的問題主要集中在以下兩個方面:一是使產(chǎn)生的初始基聚類結(jié)果即聚類成員呈現(xiàn)多樣性;二是選取合適的融合方法。然后將這些聚類成員集成,進而獲得最后的聚類結(jié)果。選擇性聚類集成除了研究聚類集成的兩個關(guān)鍵問題之外,還需要研究的重點是如何設計合適的選擇策略,進而從產(chǎn)生的多樣性聚類結(jié)果中選擇部分合適的聚類成員進行聚類集成,以此提高聚類結(jié)果的質(zhì)量。鑒于聚類有效性指數(shù)可用來測量聚類結(jié)果的良好性,本文利用此特點進行篩選基聚類成員集,進而提出了基于聚類有效性指數(shù)的選擇性聚類集成算法。本文的具體工作主要圍繞選擇性聚類集成的選擇策略進行,具體分為以下兩個方面:第一,提出了一種基于單一聚類有效性指數(shù)的選擇性聚類集成算法研究,該算法采用三個經(jīng)典的聚類有效性指數(shù)來度量基聚類結(jié)...

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【部分圖文】：

圖2-1聚類集成過程示意圖

在集成算法領(lǐng)域中,聚類集成算法是其中的一個重要算法。聚類集成提出的目的就是解決傳統(tǒng)聚類算法在運行中的局限性,其過程一般分為兩個步驟:產(chǎn)生基聚類結(jié)果集和設計合適的共識函數(shù)。通常情況下,聚類集成算法是通過單一聚類算法來獲得初始基聚類結(jié)果成員集,然后再設計合適的共識函數(shù)把這些初始基聚類....

圖2-2共識函數(shù)設計方法

共識函數(shù)設計是聚類集成算法的關(guān)鍵性一步,它的實質(zhì)是將單一聚類算法產(chǎn)生的基聚類結(jié)果進行整合,最終得到所需要的聚類整合結(jié)果。從而提高聚類結(jié)果的質(zhì)量。隨著研究的不斷深入,截至目前共識函數(shù)的通用設計已經(jīng)發(fā)展到多種方法,例如共聯(lián)矩陣法,標準化互信息法,投票法,超圖法和混合模型法,如圖2-2....

圖2-3選擇性聚類集成步驟示意圖

目前,聚類分析一直是數(shù)據(jù)挖掘的熱點,集成學習的研究已經(jīng)取得了一定的成果,比如在Bagging[86]算法中,所采用的主要思想是通過抽樣方法產(chǎn)生聚類成員。這一概念的主要思想是通過設置權(quán)重的方法對個體學習器進行篩選,把對最終的集成結(jié)果沒有影響或著有負作用的個體學習器剔除,保留差異性大....

圖3-1 SCEX算法的具體描述

針對如何選擇個體精度高、差異性大的基聚類結(jié)果,本小節(jié)提出一種基于Xie-Beni指數(shù)的選擇性聚類集成算法(SCEX算法)。研究使用聚類有效性指數(shù)來篩選初始基聚類結(jié)果;然后通過計算相應初始基聚類結(jié)果的NMI,最終選出個體精度高、差異性大的基聚類結(jié)果進行集成。為了克服單一聚類有效性指....

本文編號：4046427