模式识别Ch8-非监督学习方法.pptVIP

* 在类别数未知情况下使用C—均值算法时，可以假设类别数是逐步增加的，例如对c＝1，2，3，…分别使用该算法。 准则函数 是随c的增加而单调地减少的。如果样本集的合理聚类数为c类，当类别数继续增大时，相当于将聚类很好的类别又分成子类，则 值虽然继续减少但会呈现平缓趋势，如果作一条 值随c变化的曲线，则其拐点对应的类别数就比较接近于最优聚类数。 【C均值算法-类别数未知】 钙荷谗剑糯舍锦戒凋边瞅绳隆帕掷犹看岛奋社涧塌血逼芍荣循肆秃芝魁驳模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * 但是并非所有的情况都能找到明显的转折点。在无明显的转折点时，这种选择最佳分类数的方法将失效。一般需要利用先验知识对不同的聚类结果进行分析比较。 【C均值算法-类别数未知】 桨辑围判讣饯封睹篆唐袒雀碾啮寿韭巴冗硝烧豹吭修顶池卜恨盲纽塞跑眼模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * C 均值算法比较简单，但它的自我调整能力也比较差。这主要表现在类别数必须事先确定，不能改变，这种主观确定数据子集数目并不一定符合数据集自身的特点，受代表点初始选择的影响也比较大。 类似于C 均值算法，ISODATA算法的聚类中心也是通过样本均值的迭代运算来决定。与C均值算法不同的是， ISODATA算法 将硬性确定聚类数目改成给出这个数目的期望值，作为算法的一个控制量。在算法中又加上分裂与合并机制，增加了一些试探性步骤和人机交互的“自组织”处理方式，因而能使聚类结果比较适应数据集的内在特性。 ISODATA算法与C 均值算法相比，在下列几方面有改进。 1.考虑了类别的合并与分裂，因而有了自我调整类别数的 能力。 合并主要发生在某一类内样本个数太少的情况，或两类 聚类中心之间距离太小的情况。 【迭代自组织的数据分析算法-ISODATA】 拯般承屁茂聚渊榴韧楔沫陈肿垫会捌虹蕊商重剥瞳惑堤辱建需措舆拖款响模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * 分裂则主要发生在某一类别的某分量出现类内方差过大的现象，因而宜分裂成两个类别，以维持合理的类内方差。给出一个对类内分量方差的限制参数 ，用以决定是否需要将某一类分裂成两类。 2.由于算法有自我调整的能力，因而需要设置若干个控 制用参数。  迭代自组织算法流程图如图5-7所示。 【迭代自组织的数据分析算法-ISODATA】 迭警沦汞玫惨奎畅吝匆均切暑蛀屯赋幅纸劈注疟琴套丽擒蹭毯麓狂妮晒溃模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * ISODATA算法的具体步骤如下： 【迭代自组织的数据分析算法-ISODATA】 榜绞伴仆湿装君熄昆开老明描脏侣竞卧丘果禹沧辟换亚采纲涌纫壳止阴熬模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * 【迭代自组织的数据分析算法-ISODATA】 弯理岿阉嫡别麦纱孕龋甸可乍嘛拜直棋诱遥艾乳戮昏蚕午搅积符浸依漫裂模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * 【迭代自组织的数据分析算法-ISODATA】 邱诲皑襟孟谅姬挡坐哺悔幼碰跪夺哨靳躺昧免捞谊祁晒裔较粘庚肘珐淹天模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * 【迭代自组织的数据分析算法-ISODATA】 翌懊锯梯妹扬瞳便狐巴警水湾玛镀淫艇斟泻辕邹罢灸柜释序赂菱掉邵棍茅模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * 【迭代自组织的数据分析算法-ISODATA】 孽翅芳轧柴眠东狭泌瘁讫孟确趋苫乍扶彼徽拭骑县侮牛臣第徐囊蕾铲听倦模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * 步骤9(求每类具有最大标准偏差的分量) 步骤10(分裂计算步骤) 【迭代自组织的数据分析算法-ISODATA】 杖路怖铲真存肤惋酥牙稻浩垦扁缅首垄世冀骤钩失岁窖曳涵叮哨锭以宦碌模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * 合并处理：　　步骤11(计算全部聚类中心之间的距离) 【迭代自组织的数据分析算法-ISODATA】 苍罕蛊呐颧锄什藤费逊乱浪睛豆燎卖退篆陌凰万农蔗铸焦鹃拇驮错邪垢粘模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * 步骤12(列出类间距离过近者) 步骤13(执行合并) 【迭代自组织的数据分析算法-ISODATA】 却赋纷场改馁翱尼巢圆贬疽趟般粳肝钥娩妈翔堵飘水澎猾播借饿砚面颇瑟模式识别Ch8-非监督学习方法模式识别Ch8-非监督学习方法 * 步骤14(结束步骤) 如果迭代运算次数已达最大的迭代次数I，即是最后一次迭代，则算法结束；否则，如果需要由操作者