广西大学学报（自然科学版）
廣西大學學報（自然科學版）
엄서대학학보（자연과학판）
JOURNAL OF GUANGXI UNIVERSITY （NATURAL SCIENCE EDITION）
2014年
5期
1074-1082
,共9页
半监督学习%混合属性%k平均聚类%归属度
半鑑督學習%混閤屬性%k平均聚類%歸屬度
반감독학습%혼합속성%k평균취류%귀속도
semi-supervised learning%hybrid attributes%k-means clustering%attributive measure
为克服k-means算法难以探测出一些局部分布稀疏不均、聚类区域的形状与大小不规整数据点集的聚类分布结构这个缺点，在半监督学习思想的指导下，针对混合属性空间区域中具有同一分布性质的带有类别标记的小样本数据集和无类别标记的大样本数据集，提出了一种基于半监督学习的k平均聚类框架。仿真实验表明：该框架经常能取得比k-means更好的聚类精度，从而说明这个半监督学习框架具有一定的有效性。
為剋服k-means算法難以探測齣一些跼部分佈稀疏不均、聚類區域的形狀與大小不規整數據點集的聚類分佈結構這箇缺點，在半鑑督學習思想的指導下，針對混閤屬性空間區域中具有同一分佈性質的帶有類彆標記的小樣本數據集和無類彆標記的大樣本數據集，提齣瞭一種基于半鑑督學習的k平均聚類框架。倣真實驗錶明：該框架經常能取得比k-means更好的聚類精度，從而說明這箇半鑑督學習框架具有一定的有效性。
위극복k-means산법난이탐측출일사국부분포희소불균、취류구역적형상여대소불규정수거점집적취류분포결구저개결점，재반감독학습사상적지도하，침대혼합속성공간구역중구유동일분포성질적대유유별표기적소양본수거집화무유별표기적대양본수거집，제출료일충기우반감독학습적k평균취류광가。방진실험표명：해광가경상능취득비k-means경호적취류정도，종이설명저개반감독학습광가구유일정적유효성。
For some sparse-odd data sets with different size and shape of clusters, ordinary k-means algorithm cannot work well in exploiting the cluster-distribution.In order to conquer this shortcom-ing, under the idea of semi-supervised learning, a k-means clustering framework based on semi-su-pervised leaning is presented for an unlabeled large sample which has the same distribution with a labeled small sample in a hybrid attributes space.Simulations show that the framework can often get better clustering accuracy than k-means algorithm, validating the effectiveness of the semi-supervised learning framework to some extent.
