计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2015年
5期
57-61
,共5页
聚类分析%特征偏好%特征权重%聚类依赖%二次规划
聚類分析%特徵偏好%特徵權重%聚類依賴%二次規劃
취류분석%특정편호%특정권중%취류의뢰%이차규화
Clustering analysis%Feature preferences%Feature weighting%Cluster-dependent%Quadratic programming
传统的聚类方法,如k均值和模糊c均值,通常并不区分数据特征对聚类的不同贡献或重要度,因此在面对高维数据聚类时,常会导致偏低的聚类性能,这归咎于聚类时未考虑高维数据特征间所存在的高度相关性或冗余.而通过在聚类时为每一特征引入权重并通过聚类目标的优化,不仅能自动获得对应的权重,而且也获得了聚类性能的提升.尽管如此,但无监督获取的特征权重未必吻合用户所期望的特征间的相对重要性(或偏好).因此尝试利用用户给定的实际偏好设计出能反映特征偏好的聚类方法,其将现有独立于个体聚类的全局加权型偏好聚类方法拓展至聚类依赖的局部特征加权型方法,由此弥补了前者的不足,提升了偏好聚类算法的性能.
傳統的聚類方法,如k均值和模糊c均值,通常併不區分數據特徵對聚類的不同貢獻或重要度,因此在麵對高維數據聚類時,常會導緻偏低的聚類性能,這歸咎于聚類時未攷慮高維數據特徵間所存在的高度相關性或冗餘.而通過在聚類時為每一特徵引入權重併通過聚類目標的優化,不僅能自動穫得對應的權重,而且也穫得瞭聚類性能的提升.儘管如此,但無鑑督穫取的特徵權重未必吻閤用戶所期望的特徵間的相對重要性(或偏好).因此嘗試利用用戶給定的實際偏好設計齣能反映特徵偏好的聚類方法,其將現有獨立于箇體聚類的全跼加權型偏好聚類方法拓展至聚類依賴的跼部特徵加權型方法,由此瀰補瞭前者的不足,提升瞭偏好聚類算法的性能.
전통적취류방법,여k균치화모호c균치,통상병불구분수거특정대취류적불동공헌혹중요도,인차재면대고유수거취류시,상회도치편저적취류성능,저귀구우취류시미고필고유수거특정간소존재적고도상관성혹용여.이통과재취류시위매일특정인입권중병통과취류목표적우화,불부능자동획득대응적권중,이차야획득료취류성능적제승.진관여차,단무감독획취적특정권중미필문합용호소기망적특정간적상대중요성(혹편호).인차상시이용용호급정적실제편호설계출능반영특정편호적취류방법,기장현유독립우개체취류적전국가권형편호취류방법탁전지취류의뢰적국부특정가권형방법,유차미보료전자적불족,제승료편호취류산법적성능.
