计算机科学 ›› 2008, Vol. 35 ›› Issue (10): 152-154.

• • 上一篇    下一篇

一种特征加权的聚类算法框架

  

  • 出版日期:2018-11-16 发布日期:2018-11-16
  • 基金资助:
    国家自然科学基金重大项目(60496321),国家自然科学基金项目(60573073,60773099),国家863高技术研究发展计划项目(2006AA102245,2006AA10A309),吉林省科技发展计划项目(20030523),欧盟项目TH/Asia Link/010(111084).

  • Online:2018-11-16 Published:2018-11-16

摘要: 为了考虑数据各维特征对聚类的不同贡献,并把有监督特征评价方法应用到无监督分类问题中,提出一种特征加权的聚类算法框架。该框架首先通过某种聚类算法对数据聚类,然后,根据聚类结果,采用有监督特征评价方法学习各维特征的权值,再根据特征权值重新聚类,之后再次学习特征权值,该过程反复迭代,直至算法收敛或达到指定的迭代次数。欧几里德空间内基于距离、基于密度的聚类算法均适用于本框架。基于本框架,采用模糊C均值聚类算法(FCM)、密度聚类算法(DBSCAN),并通过信息增益特征评价、ReliefF特征评价方法,对多个UCI

关键词: 聚类算法框架 特征加权 基于距离的聚类 基于密度的聚类

Abstract: To consider the particular contributions of different features and apply supervised feature ranking methods to unsupervised classification, a framework of feature weighted clustering algorithm was proposed, which executes a clustering algorithm firstly, a

Key words: Clustering algorithm framework, Feature weighted,Distance-based clustering, Density-based clustering

No related articles found!
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!