面向不平衡数据的特征加权聚类算法

被引：4

作者：

蒋盛益 ^{[1
]}

苗邦 ^{[1
]}

王连喜 ^{[2
]}

机构：

[1] 广东外语外贸大学思科信息学院

[2] 广东外语外贸大学图书馆

来源：

小型微型计算机系统 | 2013年 / 34卷 / 08期

基金：

广州市科技计划项目;

关键词：

不平衡数据; 一趟聚类; 特征加权;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

不平衡数据集类别分布严重倾斜,传统的聚类算法由于以提高整体学习性能为目标,往往偏向于聚集多数类,而忽视更有价值的稀有类.本文提出一种基于迭代的特征加权聚类算法,根据当前聚类后簇的特点以及特征重要性度量函数确定特征权值,利用所得权值进行下一轮聚类,直到权值稳定后结束迭代.在多个UCI不平衡数据集上的实验效果表明,本文算法能够较好地识别出重要特征并提高它们的权重,避免聚类算法过度偏向多数类,有效地提高了聚类性能.

引用

页码：1809 / 1812

页数：4

共 7 条

[1] 一种新的不平衡数据学习算法PCBoost [J].

李雄飞 ;

李军 ;

董元方 ;

屈成伟 .

计算机学报, 2012, 35 (02) :2202-2209

[2] 基于一趟聚类的不平衡数据下抽样算法 [J].

蒋盛益 ;

苗邦 ;

余雯 .

小型微型计算机系统, 2012, 33 (02) :232-236

[3] 若干评价准则对不平衡数据学习的影响 [J].

林智勇 ;

郝志峰 ;

杨晓伟 .

华南理工大学学报(自然科学版), 2010, 38 (04) :147-155

[4] 基于自适应蚁群算法的组合式特征选择算法 [J].

张杰慧 ;

何中市 ;

王健 ;

黄学全 .

系统仿真学报, 2009, (06) :1605-1608+1614

[5] 基于特征加权的模糊聚类新算法 [J].

李洁 ;

高新波 ;

焦李成 .

电子学报, 2006, (01) :89-92

[6] 基于划分的模糊聚类算法 [J].

张敏 ;

于剑 .

软件学报, 2004, (06) :858-868

[7]

A study of the behavior of several methods for balancing machine learning training data [J] . Gustavo E. A. P. A. Batista,Ronaldo C. Prati,Maria Carolina Monard.&nbsp&nbspACM SIGKDD Explorations Newsletter . 2004 (1)

← 1 →