基于密度的聚類集成.pdf

1、伴隨互聯(lián)網(wǎng)技術的迅猛進步，社會步入了大數(shù)據(jù)時代。人類日常生活中產生了大量的數(shù)據(jù)。未來，無論是在哪個領域，越來越多的決策將依賴于數(shù)據(jù)分析。如何合理高效地分析大量數(shù)據(jù)，找到數(shù)據(jù)背后有價值的信息，成為新的關注點。聚類集成融合了聚類以及集成學習兩種技術。使用此類模型處理問題能夠提升最終結果的準確率、魯棒性以及穩(wěn)定性。集成過程中，增加半監(jiān)督信息，可以得到新的模型:半監(jiān)督聚類集成模型。在某些特定條件下，此模型獲得的聚類結果可能會優(yōu)于無監(jiān)督聚類集成模

2、型。
　　本文選擇近鄰傳播(AP)算法作為基聚類器，在實驗過程中，多次設置不同輸入?yún)?shù)，以此來獲得不一致的基聚類結果。隨后使用改進的最大信息系數(shù)（RapidMic）計算各基聚類結果之間的相關性，用相似性矩陣表示。選取此矩陣來展示樣本數(shù)據(jù)集的密度關系。借助等距映射(Isomap)進行降維，例證樣本數(shù)據(jù)的密度關系能夠透過基聚類結果來揭示。通過對密度峰值(DP)算法進行改進，本文設計出可以自動選取擁有較大密度峰值的幾個點作為聚類中心的k