成都大学学报(自然科学版)
成都大學學報(自然科學版)
성도대학학보(자연과학판)
JOURNAL OF CHENGDU UNIVERSITY(NATURAL SCIENCE)
2013年
1期
58-60,63
,共4页
多目标GA%监督聚类%类标签%最近邻法则
多目標GA%鑑督聚類%類標籤%最近鄰法則
다목표GA%감독취류%류표첨%최근린법칙
提出了多目标监督聚类GA算法,即:根据样本的类标签有监督地将样本聚类,在每个类中根据样本属性的相似性有监督地聚成类簇.如果分属不同类标签的类簇出现相交,则相交类簇再次聚类,直到所有类簇均不相交.适应度矢量函数由类簇数和类内距离2个目标确定,类簇数和类簇中心由目标函数自动确定,从而类簇数和中心就不受主观因素的影响,并且保证了这2个关键要素的优化性质.预测分类时,删去单点类簇,并根据类簇号和离某个类簇中心距离的最近邻法则以及该类簇的类标签进行分类.算法模型采用c#实现,采用3个UCI数据集进行实例分析,实验结果表明,本算法优于著名的Native Bayes、Boost C4.5和KNN算法.
提齣瞭多目標鑑督聚類GA算法,即:根據樣本的類標籤有鑑督地將樣本聚類,在每箇類中根據樣本屬性的相似性有鑑督地聚成類簇.如果分屬不同類標籤的類簇齣現相交,則相交類簇再次聚類,直到所有類簇均不相交.適應度矢量函數由類簇數和類內距離2箇目標確定,類簇數和類簇中心由目標函數自動確定,從而類簇數和中心就不受主觀因素的影響,併且保證瞭這2箇關鍵要素的優化性質.預測分類時,刪去單點類簇,併根據類簇號和離某箇類簇中心距離的最近鄰法則以及該類簇的類標籤進行分類.算法模型採用c#實現,採用3箇UCI數據集進行實例分析,實驗結果錶明,本算法優于著名的Native Bayes、Boost C4.5和KNN算法.
제출료다목표감독취류GA산법,즉:근거양본적류표첨유감독지장양본취류,재매개류중근거양본속성적상사성유감독지취성류족.여과분속불동류표첨적류족출현상교,칙상교류족재차취류,직도소유류족균불상교.괄응도시량함수유류족수화류내거리2개목표학정,류족수화류족중심유목표함수자동학정,종이류족수화중심취불수주관인소적영향,병차보증료저2개관건요소적우화성질.예측분류시,산거단점류족,병근거류족호화리모개류족중심거리적최근린법칙이급해류족적류표첨진행분류.산법모형채용c#실현,채용3개UCI수거집진행실례분석,실험결과표명,본산법우우저명적Native Bayes、Boost C4.5화KNN산법.