共 1 条
[1]
运筹学基础[M] 何坚勇编著; 清华大学出版社 2000,
学习特征权值对K-均值聚类算法的优化
被引：134
作者：
王熙照
王亚东
湛燕
袁方
机构：
[1] 河北大学数学与计算机科学学院机器学习研究中心
[2] 哈尔滨工业大学计算机科学与工程学院
[3] 河北大学数学与计算机科学学院机器学习研究中心 保定
[4] 哈尔滨
[5] 保定
来源：
关键词：
K-均值聚类;
相似度量;
特征权值;
梯度下降技术;
D O I：
暂无
中图分类号：
TP311.12 [];
学科分类号：
摘要：
K 均值 (K means)算法聚类的结果依赖于距离度量的选取 传统的K 均值算法选择的相似性度量通常是欧几里德距离的倒数 ,这种距离通常涉及所有的特征 在距离公式中引入一些特征权参数后 ,其聚类结果将依赖于这些权值 ,从而可以通过调整这些权值优化聚类效果 由于K 均值算法是迭代算法 ,很难直接确定其权值以优化聚类结果 ,因此提出了一种间接的学习权值算法以改进聚类结果 从数学意义上讲 ,这种权值学习相当于欧氏空间中对一组点进行了一个线性变换 数值实验证实了算法的有效性
引用
收藏
页码：869 / 873
页数：5
相关论文