基于半监督K-Means的属性加权聚类算法

被引：6

作者：

潘巍

周晓英

吴立锋

王国辉

机构：

[1] 首都师范大学信息工程学院

[2] 首都师范大学北京市高可靠嵌入式系统工程研究中心

[3] 首都师范大学北京市电子系统可靠性技术研究重点实验室

来源：

计算机应用与软件 | 2017年 / 34卷 / 03期

关键词：

均值; 聚类; 半监督; 主成分分析; 属性加权;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

K-Means是经典的非监督聚类算法,因其速度快,稳定性高广泛应用在各个领域。但传统的K-Means没有考虑无关属性以及噪声属性的影响,并且不能自动寻找聚类数目K。而目前K-Means的改进算法中,也鲜有关于高维以及噪声方面的改进。因此,结合PCA提出基于半监督的K-Means加权属性聚类方法。首先,用PCA得到更少更有效的特征,并计算它们的分类贡献率(即每个特征对聚类的影响因子)。其次,由半监督自适应算法得到K。最后将加权数据集以及K应用到聚类中。实验表明,该算法具有更好的识别率和普适性。

引用

页码：189 / 193+242 +242

页数：6

共 8 条

[1] 一种层次初始的聚类个数自适应的聚类方法研究 [J].

魏建东 ;

陆建峰 ;

彭甫镕 .

电子设计工程, 2015, (06) :5-8

[2]

k-MM:A Hybrid Clustering Algorithm Based on k-means and k-Medoids. Drias H,Cherif N F,Kechid A. Advances in Nature and Biologically Inspired Computing . 2016

[3]

On Careful Selection of Initial Centers for K-means Algorithm. Jothi R,Mohanty S K,Ojha A. Proceedings of 3rd International Conference on Advanced Computing,Networking and Informatics . 2016

[4]

Mux-Kmeans:multiplex kmeans for clustering large-scale data set. Li C,Zhang Y,Jiao M,et al. Proceedings of the5th ACM workshop on Scientific cloud computing . 2014

[5]

A data mining correlated patterns-based periodic decentralized replication strategy for data grids[J] . Tarek Hamrouni,Sarra Slimani,Faouzi Ben Charrada. &nbspThe Journal of Systems & Software . 2015

[6] 基于近邻传播算法的最佳聚类数确定方法比较研究 [J].

周世兵 ;

徐振源 ;

唐旭清 .

计算机科学, 2011, 38 (02) :225-228

[7] K均值聚类算法在银行客户细分中的研究 [J].

樊宁 .

计算机仿真, 2011, 28 (03) :369-372

[8] 一种基于特征间隙的检测簇数的谱聚类算法 [J].

胡海峰 ;

刘萍萍 .

计算机技术与发展, 2015, 25 (09) :37-42

← 1 →