免费论文摘要：对交互特性和自符合聚类算法的接洽

数据天生、搜集和保存本领的高速超过使得人们不妨搜集到洪量的数据。跟着那些数据搀杂水平的普及，须要处置的特性维数越来越高。而在数据发掘中，那些高维的数据也形成了“维灾害”题目。普遍地，有两种本领来制止妥协决这一题目。一种是特性采用（Feature Selection），另一种是经过拉拢原有特性来建立新的特性进而到达降维的手段，这种本领称为维归约（Dimensionality Reduction）。维归约又称为特性抽取（Feature Extraction）。正文发端大略地计划了特性采用和维归约本领的接洽近况，基础表面和本领，而简直的处事重要有一下几点：（1）计划了特性交互在数据发掘中的要害性。开始，对什么是特性交互举行了设置。接着，说领会特性交互在数据发掘中对其它各个题目的感化及其要害位置。那些题目囊括对目的观念的进修，对碎片题目的处置，对辛普森悖论的检验和测定和对安排准则归结算法的感化。更好的领会特性交互不妨扶助大师更好地领会那些题目之间的联系。同声也看法到贪婪的准则归结算法不许灵验处置交互特性的这一究竟。（2）安排了一个能对高维数据举行降维处置并同声能转弯抹角处置特性交互的本领。在特性子集的采用进程中，运用了一个特出的数据构造来对特性举行评价，并沿用了一个特性排序体制来灵验地创造特性交互。经过试验，将该本领的本能与其余具备代办性的个性采用算法的本能举行了比拟。鉴于实际数据集的试验截止证领会这个本领的灵验性。（3）将线性辨别领会和二分K均值聚类啮合在一道，提出了一个符合于高维数据聚类的自符合本领。该算法运用线性辨别领会将高维数据集变幻成低维数据集，而后在低维数据集上实行二分K均值聚类，并把获得的聚类截止经过一个簇分子引导矩阵H变幻到原数据会合。如许的进程重复举行，直到自符合地获得一个最优截止。鉴于实际数据集的试验截止证领会这个本领的灵验性。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://www.87cpy.com/245963.html