荷叶母亲阅读练习题附答案.docVIP

模糊聚类的有效性第七章 初始化、加权指数、聚类类数m 对加权指数的研究}??m?{J:1的Dunn在模糊聚类目标函数引入了加权指数m，使中，Bezdek（81）m2?m，但是如）聚类准则变成的出现不自然也没有必要（Li 95时的特例。从数学上看参数m果不给隶属度乘一个权重，那么从硬聚类准则函数到模糊聚类目标函数的推广则是无效的。要实现模糊因此，Bezdek 81），参数m又称为平滑因子，控制着模式在模糊类间的分享程度（ 的选取目前尚缺乏理论指导。m，然而最佳m聚类就必须选定一个合适的5?1?m1.；）（Bezdek给出过一个经验范围76；后又从物理解释上得出m=2时最有意义Bezdek之间；的最佳取值应在1.25~1.75（92）从汉字识别的应用背景得出mChan 和Cheung有关的结论，建议nm的取值与样本数目等（87）从算法收敛性角度着手，得出和Hathawayn(n?2)m的最佳选取区m则从聚类有效性的实验研究中得到的取值要大于95）；Pal等（间应为[1.5, 2.5]，在不做特殊要求下可取区间中值m=2。 上述有关m的取值和范围，大都来自实验和经验，均为启发式的，既不够系统，也没有给出具体的优选方法。此外，也还缺乏最优m的检验方法。这一系列的开放问题，都值得进一步的探索，以便奠定m优选的理论基础。 聚类算法的性能是与数据集密切相关的，没有万能的聚类算法。这也是新的聚类算法层出不穷的原因。聚类分析的最主要的缺陷是，不管所给数据集的结构如何，它总能将数据集进行分类。因此，人们在运用聚类算法之前，需要对数据集的结构进行检测。由于我们面临??x??,x,X，需的是无标签数据集，没有关于数据集的先验知识，对于要聚类的数据集n1要考虑下面三个问题。 无 标 签 数 据 集 断 言 数 据 集 是 否 有 聚 类 否: 停止 是 聚 类 否 有 效 性 ? 图2 无标签数据集处理过程 c1?c?nXX是否有聚类结构。（，是否是随机的？即对于类数 ）1 问题：X有聚类结构，如何确定这个结构？：如果 问题2X被聚类，如何确定聚类结果的有效性？：一旦 问题3 问题1称之为“聚类趋势”，问题2称之为“聚类分析”，问题3称之为“聚类有效性”。 图2给出无标签数据集的处理过程。 关于“聚类趋势”问题，我们可以采用一定的技术来检测数据集是否是随机的。Jain和 Dubes[60，200]，Windham[185]，Smith[175]对这一问题有详细地叙述。 关于“聚类分析”问题，目前我们可以用硬聚类[62]，模糊聚类[14]和可能性聚类[129]等聚类方法来确定数据集的聚类结构。但聚类分析的结果与所采用的数据密切相关，不同的算法可能会产生不同的结果。关于不同算法的分类性能，已引起人们的关注，如Hirota和Pezdrcy[92]通过概率集来评价不同的聚类方法，Backer和Jain[6]通过模糊集分解来评价不同的聚类方法，Windham[85]通过一致性测度对不同参数对聚类结果的影响进行评价。最近，Analed S.A1-Sultan和M.Maroof Khlan[115]对c-均值聚类算法，模拟退火算法，遗传算法和Tabu搜索算法进行了对比实验。结果表明，尽管c-均值聚类算法的分类性能总体上不如其它三种 方法，但其运算速度等是其他三种方法无法相比的。 对于给定的数据集，如果已经确认该数据集具有结构，则需要用聚类算法来确定这个结构。大多数聚类算法需要事先确定数据集的分类数。如果分类数选取的不合适，我们可能使划分的结果与数据集的真正结构不相符。使得某一类被划分的或大或小。关于数据集的最佳 分类数问题属于聚类有效性问题。 历史上，关于聚类有效性问题的研究是基于硬c-均值聚类算法和模糊c-均值聚类算法进行的。如Dunn的分离性指标[63]，Davies和Bouldin的分离性测度[52]，Vogel和Wong提出的PFS聚类方法[183]等都是基于硬c-均值聚类算法的。基于模糊c-均值聚类算法的有效性函数有Dunn的划分