基于聚类有效性指数的选择性聚类集成研究

发布时间：2025-05-15 07:01

　　聚类集成是机器学习和数据挖掘领域中一种极其重要的方法,它通过设计共识函数的方法对聚类集体中多个带有差异性的聚类结果进行集成,从而提高聚类结果的质量。聚类集成虽然可以提高学习精度,但对于如何选择个体精度高、差异性大的基聚类结果仍存在着许多困难。选择性聚类集成的实质是选取一部分差异性大、准确性高的基聚类结果进行集成,从而提高聚类集成结果的质量。聚类集成解决的问题主要集中在以下两个方面:一是使产生的初始基聚类结果即聚类成员呈现多样性;二是选取合适的融合方法。然后将这些聚类成员集成,进而获得最后的聚类结果。选择性聚类集成除了研究聚类集成的两个关键问题之外,还需要研究的重点是如何设计合适的选择策略,进而从产生的多样性聚类结果中选择部分合适的聚类成员进行聚类集成,以此提高聚类结果的质量。鉴于聚类有效性指数可用来测量聚类结果的良好性,本文利用此特点进行筛选基聚类成员集,进而提出了基于聚类有效性指数的选择性聚类集成算法。本文的具体工作主要围绕选择性聚类集成的选择策略进行,具体分为以下两个方面:第一,提出了一种基于单一聚类有效性指数的选择性聚类集成算法研究,该算法采用三个经典的聚类有效性指数来度量基聚类结...

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

图2-1聚类集成过程示意图

在集成算法领域中,聚类集成算法是其中的一个重要算法。聚类集成提出的目的就是解决传统聚类算法在运行中的局限性,其过程一般分为两个步骤:产生基聚类结果集和设计合适的共识函数。通常情况下,聚类集成算法是通过单一聚类算法来获得初始基聚类结果成员集,然后再设计合适的共识函数把这些初始基聚类....

图2-2共识函数设计方法

共识函数设计是聚类集成算法的关键性一步,它的实质是将单一聚类算法产生的基聚类结果进行整合,最终得到所需要的聚类整合结果。从而提高聚类结果的质量。随着研究的不断深入,截至目前共识函数的通用设计已经发展到多种方法,例如共联矩阵法,标准化互信息法,投票法,超图法和混合模型法,如图2-2....

图2-3选择性聚类集成步骤示意图

目前,聚类分析一直是数据挖掘的热点,集成学习的研究已经取得了一定的成果,比如在Bagging[86]算法中,所采用的主要思想是通过抽样方法产生聚类成员。这一概念的主要思想是通过设置权重的方法对个体学习器进行筛选,把对最终的集成结果没有影响或着有负作用的个体学习器剔除,保留差异性大....

图3-1 SCEX算法的具体描述

针对如何选择个体精度高、差异性大的基聚类结果,本小节提出一种基于Xie-Beni指数的选择性聚类集成算法(SCEX算法)。研究使用聚类有效性指数来筛选初始基聚类结果;然后通过计算相应初始基聚类结果的NMI,最终选出个体精度高、差异性大的基聚类结果进行集成。为了克服单一聚类有效性指....

本文编号：4046427