基于k最相似聚类的子空间聚类算法

被引:7
作者
单世民
闫妍
张宪超
机构
[1] 大连理工大学软件学院
关键词
聚类算法; 子空间聚类; 高维数据;
D O I
暂无
中图分类号
TP311.13 [];
学科分类号
1201 ;
摘要
子空间聚类是聚类研究领域的一个重要分支和研究热点,用于解决高维聚类分析面临的数据稀疏问题。提出一种基于k最相似聚类的子空间聚类算法。该算法使用一种聚类间相似度度量方法保留k最相似聚类,在不同子空间上采用不同局部密度阈值,通过k最相似聚类确定子空间搜索方向。将处理的数据类型扩展到连续型和分类型,可以有效处理高维数据聚类问题。实验结果证明,与CLIQUE和SUBCLU相比,该算法具有更好的聚类效果。
引用
收藏
页码:4 / 6
页数:3
相关论文
共 4 条
  • [1] ROCK:A Robust Clustering Algorithm for Categorical Attributes. Sudipto G,Rajeev R,Kyuseok S. Proc.of ICDE’99 . 1999
  • [2] Density-connected Subspace Clustering for High Dimensional Data. Karin K,Hans-p K,Peer K. Proc.of SIAM’04 . 2004
  • [3] Subspace Clustering for High Dimensional Data:A Review. Lance P,Ehtesham H,Huan L. Proc.of SIAM’04 . 2004
  • [4] Prabhakar Raghavan. Automatic Subspace Clustering of High Dimensional Data for Data Mining Application. Rakesh Agrawal,Johannes Gehrke,Dimitrios Gunopulos. Proceedings of the 1998 ACM-SIGMOD International Conference on Management of Data . 1998