基于最小類間距的半監(jiān)督聚類算法研究.pdf

1、半監(jiān)督學(xué)習(xí)方法在數(shù)據(jù)挖掘研究領(lǐng)域內(nèi)具有舉足輕重的地位，這類方法能夠在僅獲取少量有效的有監(jiān)督數(shù)據(jù)信息或觀測數(shù)據(jù)類標(biāo)簽信息的基礎(chǔ)上，更有效且具有目的性的對數(shù)據(jù)進(jìn)行分析和挖掘。但目前對于半監(jiān)督學(xué)習(xí)方法中研究比較成熟、應(yīng)用較為廣泛的多以半監(jiān)督回歸方法和半監(jiān)督分類方法為主，半監(jiān)督聚類方法相較而言研究的深度和廣度都不夠成熟。
　　K-meansGuider方法是2010年李杉提出的一種結(jié)合了分類方法和K-means算法思想的基于分類的半監(jiān)督聚

2、類算法，其主要思想是在基于K-means方法聚類中心的搜索思想，利用半監(jiān)督學(xué)習(xí)方法改進(jìn)了聚類過程中有關(guān)類中心選取的過程，該方法將數(shù)據(jù)集中少部分含有類標(biāo)簽的數(shù)據(jù)作為有監(jiān)督數(shù)據(jù)信息，并根據(jù)這些數(shù)據(jù)構(gòu)造一個初始的粗分類器，將原始數(shù)據(jù)粗略分類，之后利用K-means聚類方法的思想進(jìn)一步對初始粗分類結(jié)果進(jìn)行分析、集成，相較于K-means的聚類結(jié)果的精確程度有了很大的改善，但其結(jié)果高度依賴算法初始設(shè)定的粗分類器，且算法時間效率不高。本文在K-me

3、ansGuider方法的基礎(chǔ)上進(jìn)行改進(jìn)，結(jié)合層次聚類方法中最小類間距（Single Linkage）的思想及2014年Rodriguez和Laio提出的快速搜索聚類方法（FSC）中類簇合并的思想，提出了一種基于最小類間距（Single Linkage）的半監(jiān)督聚類算法，該算法利用數(shù)據(jù)集中少量的有監(jiān)督數(shù)據(jù)信息，將該部分?jǐn)?shù)據(jù)劃分為帶有類標(biāo)簽的初始類，再根據(jù)最小類間距（Single Linkage）的思想將其余無監(jiān)督的數(shù)據(jù)點聚入各個初始類中，