聚類技術及其應用研究.pdf

1、聚類算法研究是機器學習和數(shù)據(jù)挖掘的核心研究內容，已經(jīng)吸引了無數(shù)的研究者為之努力。聚類是無監(jiān)督學習的代表，在聚類算法中，數(shù)據(jù)之間的相似度是根據(jù)描述對象的屬性值來計算的，選擇適當?shù)南嗨菩远攘渴潜ＷC聚類質量的重要問題。但是，傳統(tǒng)的基于距離的相似性度量不適用于高維的、包含混合類型的數(shù)據(jù)集。同時，傳統(tǒng)的機器學習方法大多只考慮有標簽數(shù)據(jù)或者只考慮未標簽數(shù)據(jù)，而在真實問題中往往是二者并存，如何更有效地利用這些數(shù)據(jù)成為當前的研究熱點之一。能夠同時利用標

2、簽數(shù)據(jù)和未標簽數(shù)據(jù)的半監(jiān)督學習應運而生，許多傳統(tǒng)的聚類算法被推廣為“半監(jiān)督版本”。經(jīng)驗表明，在半監(jiān)督學習領域，借鑒和采用聚類思想對推進學習過程和改進學習性能均十分有效。
　　 本文首先針對多數(shù)傳統(tǒng)聚類算法所采用的基于距離的相似性度量的局限性問題，提出一種適用于聚類領域的基于空間覆蓋思想的相似性度量，它利用數(shù)據(jù)在多維空間中的相互覆蓋關系來衡量數(shù)據(jù)之間的相似性，并進一步實現(xiàn)了基于該相似性度量的層次聚類算法SOHC（a Spatial

3、 Overlapping based similarity measure applied toHierarchical Clustering），通過實驗分析驗證了該算法的有效性。然后將聚類算法推廣應用到半監(jiān)督學習的不同領域，設計和實現(xiàn)了相應的三種算法：（1）針對具有少量標簽數(shù)據(jù)的極高維數(shù)據(jù)集，提出基于空間覆蓋的半監(jiān)督特征選擇方法SOS-FS（Spatial Overlapping based Semi-supervised Featu

4、re Selection）；（2）針對人工對大型數(shù)據(jù)集進行標記的傳統(tǒng)監(jiān)督分類方法可行性低，提出應用于大型數(shù)據(jù)集上的一種新的半監(jiān)督分類方法SS-LFL（a novel Semi-Supervised classification applied to Largedata sets with very Few Labeled examples）；（3）針對特征選擇算法的魯棒性和穩(wěn)定性問題以及現(xiàn)實中大量的廉價未標簽數(shù)據(jù)的利用問題，提出一種新的