基于決策粗糙集的聚類數(shù)自動確定方法.pdf_第1頁
已閱讀1頁,還剩51頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、聚類分析是數(shù)據(jù)挖掘研究中重要的方法之一,它在發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結(jié)構(gòu)特征方面有著重要作用。聚類是一種無監(jiān)督的學(xué)習(xí)方法,它已經(jīng)廣泛應(yīng)用在模式識別、商務(wù)智能、圖像分析、信息檢索和生物信息學(xué)等眾多領(lǐng)域。
   現(xiàn)在已有很多種成熟的聚類算法,包括劃分聚類和層次聚類等。然而這些方法大部分都需要人為的提供像聚類類簇?cái)?shù)這樣的參數(shù),比如,劃分聚類需要預(yù)先知道聚類的類簇?cái)?shù),層次聚類需要知道聚類的終止點(diǎn),此外還有基于網(wǎng)格聚類需要預(yù)先知道網(wǎng)格大小的閾值參數(shù)等

2、等。然而這樣的參數(shù)在實(shí)際應(yīng)用中是很難得到的,這就大大的限制了聚類分析在現(xiàn)實(shí)中的應(yīng)用。因此,對一個給定系統(tǒng)進(jìn)行聚類時,一個基本而困難的問題就是如何確定聚類類簇?cái)?shù)。
   為了數(shù)據(jù)驅(qū)動地確定聚類數(shù),一個好的聚類有效性指標(biāo)(CVI: ClusterValidity Index)是必不可少的,它可以用來評價(jià)在聚類過程中得到的聚類結(jié)果(Clustering Result)的好壞。Yao等人提出的決策粗糙集模型對于分類有更好的理解,它是一個

3、典型的概率型粗糙集模型,引入了貝葉斯理論來獲得最小損耗的決策。
   本文通過擴(kuò)展決策粗糙集模型提出了一種在層次聚類算法框架下的自動確定聚類數(shù)的新方法。首先,我們擴(kuò)展了決策粗糙集模型,用代價(jià)(risk)的概念來描述對象之間的關(guān)系,進(jìn)而描述聚類結(jié)果的好壞。而以這個代價(jià)作為描述某個聚類結(jié)果的聚類有效性評價(jià)指標(biāo),在文中稱為基于DTRS的聚類有效性函數(shù)。然后,根據(jù)此評價(jià)函數(shù),基于凝聚型層次聚類算法框架,將聚類過程中的每個聚類結(jié)果的代價(jià)值

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論