基于密度檢測(cè)和信息增益的半監(jiān)督kmeans算法.pdf

1、近年來(lái)，信息量呈爆炸式增長(zhǎng)趨勢(shì)，海量數(shù)據(jù)的出現(xiàn)已經(jīng)成為常態(tài)。與此同時(shí)也出現(xiàn)數(shù)據(jù)龐大而知識(shí)面對(duì)傳統(tǒng)的決策系統(tǒng)無(wú)法滿足現(xiàn)在人們的迫切需求，數(shù)據(jù)挖掘技術(shù)正是解決這一問(wèn)題的有效方法之一。聚類分析是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)重要分支，半監(jiān)督聚類算法更是近幾年來(lái)的研究熱點(diǎn)。半監(jiān)督聚類方法融合有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)，既充分利用了少量已標(biāo)記的數(shù)據(jù)信息對(duì)聚類過(guò)程進(jìn)行約束指導(dǎo)，又不需要對(duì)大量的數(shù)據(jù)進(jìn)行標(biāo)記，更貼近實(shí)際情況，容易實(shí)現(xiàn)。kmeans算法是最早一批

2、被擴(kuò)展到半監(jiān)督領(lǐng)域的聚類算法之一，通過(guò)引入少量監(jiān)督信息，能夠大大提升聚類準(zhǔn)確度和迭代效率。Seeded-kmeans算法是一種有效的半監(jiān)督kmeans算法，它通過(guò)對(duì)標(biāo)記樣本的利用完成初始中心點(diǎn)的優(yōu)化，但是其對(duì)于多維數(shù)據(jù)將各維數(shù)據(jù)重要性等同視之，對(duì)孤立點(diǎn)和噪聲點(diǎn)敏感，這些缺點(diǎn)限制了它的應(yīng)用。
　　本文主要針對(duì)Seeded-kmeans算法進(jìn)行系統(tǒng)研究和改進(jìn)，具體的研究工作安排如下：
　　（1）對(duì)聚類和半監(jiān)督聚類的背景知識(shí)進(jìn)行了

3、較詳細(xì)的介紹，包括其基礎(chǔ)理論、歷史背景、研究現(xiàn)狀、發(fā)展趨勢(shì)等。為了能更好地研究半監(jiān)督kmeans聚類算法，本文對(duì)kmeans聚類算法進(jìn)行了相關(guān)介紹，然后舉例介紹了兩種常用的半聚類kmeans聚類算法。
　　（2）Seeded-kmeans算法的一個(gè)缺點(diǎn)是對(duì)各屬性的重要性評(píng)估不足，針對(duì)于此，本文引入了基于信息增益的特征選擇方法，對(duì)Seeded-kmeans算法優(yōu)化、改進(jìn)。其算法思想是通過(guò)對(duì)seed集的充分運(yùn)用，采用信息增益的方法計(jì)算

4、出各屬性的權(quán)值，然后再運(yùn)用Seeded-kmeans算法進(jìn)行聚類。此外，針對(duì)Seeded-kmeans算法的對(duì)孤立點(diǎn)和噪聲敏感的缺點(diǎn)，在Seeded-kmeans算法的基礎(chǔ)上加入密度檢測(cè)，通過(guò)計(jì)算seed集樣本點(diǎn)的密度參數(shù)，并對(duì)其進(jìn)行密度檢測(cè)，不滿足所劃定臨界值的樣本點(diǎn)將被視為噪聲點(diǎn)進(jìn)而從seed集中刪除，從而提高Seeded-kmeans算法的抗噪能力。
　?。?）將上述信息增益的特征選擇方法和密度檢測(cè)方法進(jìn)行綜合，對(duì)Seede