3.3基于改进成对约束的半监督聚类.docVIP

3．3 基于改进成对约束的半监督聚类 (6)实验分析 在对Wine、Soybean和手写体数据集上进行的实验表明，算法是可行的。通过分析 可以知道，原始的成对约束经过扩展，获得了更多的信息。在投影映射过程中，投影举 证是根据约束信息来构造的，信息的扩大自然有利于矩阵的构造，投影之后的样本进行 聚类，效果得到提高是合理的。在实验过程中，我们可以发现样本数目是减少的，这是 因为合并了同类闭包，这样子就不会出现违反must．1ink成对约束了。再利用基于约束的K．均值算法，可以很好解决成对约束的违反问题。 4．6本章小结 本章在开始的时候，通过集合内部的递推和传导关系，对原始的成对约束进行扩展， 得到了新的成对约束集。然后利用新的约束信息进行投影空间的映射，约束集的增加可 以更好的反映原始样本的空间结构，帮助后面聚类的进行。然后我们简单介绍了K-均值 聚类算法，弄清楚K-均值聚类算法的基本思想，对我们后面进行聚类具有指导意义。接 着讲解了一种解决成对约束违反问题的方法，该思想主要是通过闭包中心代替闭包集， 对原始样本进行压缩，在后面的聚类过程中可以解决违反must．1ink的问题。在该节我们 还给出了相对的证明方法，用来保证该方法理论的可行性。 最后我们提出了我们的新算法，首先扩展成对约束，在此基础上进行投影映射，利 用新的成对约束压缩投影之后样本空间，并产生新的cannot-li