基于聚類學(xué)習(xí)的分類算法及模型優(yōu)化.pdf

1、聚類和分類是數(shù)據(jù)挖掘中的基本任務(wù)。長(zhǎng)期以來(lái)，關(guān)于聚類技術(shù)在分類中的研究主要集中在應(yīng)用聚類對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，期望通過(guò)減少噪音數(shù)據(jù)的影響提高最終的分類精度，因此，如何充分地利用聚類信息指導(dǎo)分類是一個(gè)值得研究的問(wèn)題。
　　非線性數(shù)據(jù)由于分布復(fù)雜，因此用簡(jiǎn)單的分類模型難以得到滿意的分類精度。如果使用復(fù)雜的分類模型去逼近訓(xùn)練數(shù)據(jù)，又會(huì)有過(guò)擬合的問(wèn)題，使得分類模型的泛化誤差偏大。
　　本文采用了一種新的分類方法：基于簇學(xué)習(xí)的分類

2、模型。首先用聚類方法劃分?jǐn)?shù)據(jù)形成一棵聚類樹，利用聚類信息訓(xùn)練基本分類算法。通過(guò)在模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)，我們驗(yàn)證了該模型在非線性數(shù)據(jù)分類問(wèn)題中有更高的分類精度。在此基礎(chǔ)上，我們研究了模型選擇的問(wèn)題，提出了模型優(yōu)化選擇算法。
　　本文的主要工作貢獻(xiàn)有：
　　(1)提出了一種應(yīng)用在非線性數(shù)據(jù)上的間接分類模型，以簇標(biāo)作為分類標(biāo)簽，將基于類標(biāo)的分類問(wèn)題轉(zhuǎn)化為基于簇標(biāo)的分類問(wèn)題。從分類訓(xùn)練的基本單位來(lái)看，新分類模型的基本單位是聚類

3、后形成的數(shù)據(jù)簇，相比傳統(tǒng)的以樣本為基本單位的分類模型是一個(gè)創(chuàng)新。
　　(2)擴(kuò)展和豐富了DCC分類結(jié)構(gòu)。當(dāng)前的關(guān)于DCC模型的研究，都是利用聚類形成的數(shù)據(jù)簇，根據(jù)最短距離分類。本文提出的DCC拓展分類模型，把數(shù)據(jù)簇用作后續(xù)的分類訓(xùn)練。分類算法的不同會(huì)派生出新的DCC分類結(jié)構(gòu)。
　　(3)在模型選擇問(wèn)題上提出了優(yōu)化算法，并且通過(guò)在UCI數(shù)據(jù)集上的實(shí)驗(yàn)，我們驗(yàn)證了這種模型選擇策略的有效性。
　　基于以上研究成果，本文設(shè)計(jì)了