基于最大内聚度基准的加权投票聚类集成.pdfVIP

第29 卷 第2 期 控 制 与 决 策 2014 年 2 月 Vol. 29 No. 2 Control and Decision Feb. 2014 文章编号: 1001-0920 (2014) 02-0236-05 DOI: 10.13195/j.kzyjc.2012.1646 基于最大内聚度基准的加权投票聚类集成 陈晓云, 陈 刚 (福州大学数学与计算机科学学院，福州350116) 摘 要: 提出一种基于投票的聚类集成方法. 通过分析聚类结构与聚类准确率的关系, 将内聚度最高的聚类成员作 为重新标记的基准以实现簇标记的统一; 同时, 根据数据点在不同聚类成员中与所划分簇中心的距离确定权值, 最终 实现加权投票. 实验结果表明, 该算法在准确率和稳定性上均有较大提高. 关键词: 聚类集成；加权投票；内聚度 中图分类号: TP391 文献标志码: A Weighted voting clustering ensemble based on maximum cohesion CHEN Xiao-yun, CHEN Gang (School of Mathematics and Computer Science，Fuzhou University ，Fuzhou 350116 ，China ．Correspondent ：CHEN Xiao-yun ，E-mail ：c xiaoyun@21) Abstract: A voting-based clustering ensemble method is presented. By analyzing the relationship between the clustering structure and accuracy, the highest cohesive cluster member is considered as the benchmark of relabel algorithm to unify cluster labels. Then the voting weights are determined by the distance from cluster centers which data points in different cluster members are divide into. The experimental results show that, the proposed algorithm is greatly improved in accuracy and stability. Key words: clustering ensemble ；weighted voting ；cohesion 0 引引引 言言言 固定权值, 或是复杂度较高, 未能在时效上取得平衡. 聚类分析是数据分析中的基础问题, 通过对无标 本文提出一种基于投票法的聚类集成方法, 将内 签数据间的相似度进行计算将数据集划分为若干个 聚度最高的聚类成员作为重新标记的基准, 并用互信 自然簇, 达到簇内对象尽可能相似、簇间差异尽可能 息值确定不同聚类成员的最佳匹配簇, 实现聚类成员 大的目的. 单一的聚类算法易受参数影响, 且适用的 间簇标签的统一. 最后计算数据点在不同聚类成员中 数据集类型有限. 聚类集成利用共识函数对多个不同 与所划分簇中心的距离, 将该距离的倒数作为权值加 的聚类结果进行综合得到新结果, 比单个聚类算法更 权投票. [1]