版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、監(jiān)督學(xué)習(xí)需要知道所有數(shù)據(jù)的類別信息,而傳統(tǒng)的無監(jiān)督聚類學(xué)習(xí)對于已知的先驗(yàn)知識沒有在挖掘過程中的充分利用,導(dǎo)致聚類過程的盲目性。半監(jiān)督學(xué)習(xí)因具監(jiān)督學(xué)習(xí)及無監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn),成為近幾年來數(shù)據(jù)挖掘領(lǐng)域研究熱點(diǎn)問題之一。本文研究了半監(jiān)督算法與聚類算法。針對search-kmeans算法中心點(diǎn)的選取只滿足局部最優(yōu),而非全局最優(yōu),導(dǎo)致簇的劃分不合理的缺點(diǎn):提出了DS-Kmeans算法,該方法采用二分法在未標(biāo)記數(shù)據(jù)集中選取中心點(diǎn),所選中心點(diǎn)達(dá)到全局最優(yōu)
2、,同時在尋找中心點(diǎn)的過程中,通過一次遍歷即可找到所有的中心點(diǎn),與search-kmeans算法中利用候選集合尋找中心點(diǎn)的方法相比較,減少了遍歷次數(shù),從而降低了算法的時間復(fù)雜度。
K-means算法及其改進(jìn)算法必須事先確定簇的劃分?jǐn)?shù)目,而劃分?jǐn)?shù)日的選取具有隨機(jī)性和盲目性,基于此,提出了BSC-Kmeans算法,該算法不需要事先知道劃分?jǐn)?shù)目就可以自組織得到最后的類別數(shù)目。通過實(shí)驗(yàn)分析了BSC-Kmeans算法在Iris數(shù)據(jù)集和
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于半監(jiān)督的GN聚類算法研究.pdf
- 半監(jiān)督聚類算法及應(yīng)用的研究.pdf
- 半監(jiān)督聚類與分類算法研究.pdf
- 基于凸殼的半監(jiān)督聚類算法研究.pdf
- 基于半監(jiān)督聚類的圖像分割算法研究.pdf
- 基于領(lǐng)域知識的半監(jiān)督聚類算法研究.pdf
- 基于半監(jiān)督的高維聚類算法研究.pdf
- 半監(jiān)督聚類算法及其應(yīng)用研究.pdf
- 基于最小類間距的半監(jiān)督聚類算法研究.pdf
- 半監(jiān)督譜聚類算法的研究
- 半監(jiān)督譜聚類算法的研究.pdf
- 基于種子對象約束的半監(jiān)督聚類算法研究.pdf
- 基于密度的半監(jiān)督復(fù)雜網(wǎng)絡(luò)聚類算法研究.pdf
- 基于半監(jiān)督聚類的入侵檢測算法研究.pdf
- 基于主動學(xué)習(xí)的半監(jiān)督譜聚類算法研究.pdf
- 基于成對約束的半監(jiān)督文本聚類算法研究.pdf
- 基于半監(jiān)督聚類的織物圖像分割算法研究.pdf
- 半監(jiān)督聚類算法在人臉檢測中的應(yīng)用.pdf
- 基于偶對約束的半監(jiān)督模糊聚類算法研究.pdf
- 半監(jiān)督聚類算法研究及植物葉片識別應(yīng)用.pdf
評論
0/150
提交評論