聚类融合算法及其应用研讨.pdfVIP

摘要 中文摘要 聚类分析是数据挖掘的一个重要研究领域，已被广泛应用于统计学、生物学和 市场营销等领域。目前学者已经提出了许多聚类算法。然而传统的聚类算法常常遭 遇“维度效应，导致算法性能降低。软子空间聚类是一种有效的处理高维数据的方 法，但是现有的软子空间聚类算法通常含有一些用户难以确定的参数。在实际应用 中，用户也很难找到一种聚类算法能够处理各种形状和大小的簇，而且针对某一特 定数据集，也很难判断哪种算法是最优的，因此很多学者开始研究聚类融合方法。 与单一的聚类算法相比，聚类融合方法具有更好的鲁棒性、适用性、稳定性、并行 性和可扩展性。 本文首先对子空间聚类方法、聚类融合方法、半监督学习方法和不平衡数据分 类方法的研究现状进行分析。接着针对传统子空间聚类算法的不足，本文提出了一 种新的软子空间聚类算法SC．IFWSA，它采用了改进的特征权重自动调节机制 IFWSA，不需要用户设置任何参数值，其在每次迭代过程中根据权重增量自动调节 每个簇对应的各个特征的权重。然后基于聚类融合，本文进一步提出了两种新的算 法，分别用以改进传统的半监督学习方法和不平衡数据分类方法，从而提高分类器 的学习性能：(1)提出一种新的基于聚类融合的半监督分类算法SSCCE，它采用了 一种易于理解的估计标记置信度的方法，首先对所有数据进行多次聚类，接着对不 同聚类结果进行簇标记匹配，然后将聚类一致性系数高的未标记训练数据标记后加 入有标记训练集，再生成分类模型：(2)提出一类新颖的基于聚类融合的不平衡数 据分类方法，旨在解决传统的分类方法对少数类的识别率较低的问题，它通过引入 “聚类一致性系数”来找出处于少数类边界区域和处于多数类中心区域的样本，并 分别使用改进的SMOTE过抽样方法和改进的随机欠抽样方法对训练集的少数类和 多数类进行不同的处理，以改善不同类数据的平衡度，为分类算法提供更好的训练 平台。实验结果表明本文提出的三种算法都是有效、可行的，能够在大部分数据集 上得到较优的结果。 关键词：聚类融合，分类，高维数据，子空间聚类，半监督学习，不平衡数据 lIll1 1 II1[11[IIIIIIIII Abstract Y1998426 Abstract in isan fielddata hasbeen Clusteringanalysisimportantstudy mining,whichwidely intheareas and of applied ofstatistics，biologymarketing．Hundredsclustering havebeen algorithms proposedrecently．However,conventionalclusteringalgorithms sufferfromthegurse thus bad for often of dimensionalityproducingperformance ● isaneffective data．Soft meatlsof ≯’ hi曲-dimensionalsubspaceclustering pr