基于領(lǐng)域知識半監(jiān)督聚類算法地研究

《基于領(lǐng)域知識半監(jiān)督聚類算法地研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、摘要基于領(lǐng)域知識的半監(jiān)督聚類算法研究聚類分析是數(shù)據(jù)挖掘領(lǐng)域的基本方法之一，它根據(jù)數(shù)據(jù)對象之間的相似性，把數(shù)據(jù)對象分割成簇。從機(jī)器學(xué)習(xí)的角度，聚類分析被看作是一種無監(jiān)督的學(xué)習(xí)方法，對數(shù)據(jù)的分析不需要知道數(shù)據(jù)相關(guān)的類別信息。然而，在現(xiàn)實生活中，人們對所要分析數(shù)據(jù)的相關(guān)領(lǐng)域知識并非完全一無所知，通過這種知識能夠發(fā)現(xiàn)數(shù)據(jù)對象標(biāo)識或相互之間的約束信息。半監(jiān)督聚類就是在聚類過程中引入先驗知識來指導(dǎo)聚類過程，從而改進(jìn)聚類結(jié)果。目前，半監(jiān)督聚類方法己成為人們研究聚類方法的新熱點。本文從約束的角度、屬性的角度、規(guī)則的角

2、度和實際應(yīng)用的角度來研究半監(jiān)督聚類的實現(xiàn)方法及實際應(yīng)用效果。本文的主要工作及創(chuàng)新點包括：1、通過分析COP—KMeans算法，指出了其中的不足，引入按約束集分配的方法及輔助質(zhì)心的概念，提出了改進(jìn)的MLC—KMeans半監(jiān)督聚類算法，并通過實驗證明了改進(jìn)算法的有效性；2、針對屬性和類標(biāo)識及屬性和約束的相互關(guān)系，一方面采取屬性約簡方法，通過分析己知的標(biāo)識數(shù)據(jù)對象，來消除冗余的屬性，在新的屬性集上進(jìn)行聚類；另一方面，通過對約束對象屬性范圍進(jìn)行限制，找到新的約束集合，來指導(dǎo)聚類過程。通過應(yīng)用兩種方法，達(dá)到了較

3、好的聚類效果；3、利用關(guān)聯(lián)規(guī)則方法，通過分析數(shù)據(jù)集中的部分標(biāo)識數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)屬性子集和類標(biāo)識之間的關(guān)聯(lián)關(guān)系，并把此規(guī)則作為先驗知識，引入到北京化工大學(xué)碩士學(xué)位論文聚類過程，來改進(jìn)聚類效果?；陉P(guān)聯(lián)規(guī)則的半監(jiān)督聚類方法有效地利用了規(guī)則信息，展現(xiàn)了利用數(shù)據(jù)挖掘方法發(fā)現(xiàn)的先驗知識和屬性子集的關(guān)聯(lián)約束關(guān)系在半監(jiān)督聚類中的應(yīng)用；4、通過把半監(jiān)督聚類的方法應(yīng)用到Web用戶的聚類分析之中，來檢驗半監(jiān)督聚類的實際應(yīng)用效果。本文詳細(xì)描述了從Web日志獲取到聚類分析的過程。關(guān)鍵詞：數(shù)據(jù)挖掘，領(lǐng)域知識，半監(jiān)督聚類，MIC-

4、KMeans算法，屬性約簡摘要AStudyonSemi-supervisedClusteringAlgorithmbasedonDomainKnowledgeABSTRACTClusteringanalysisoneofthebasictasksindataminhaginwhichthedataobjectsalepartitionedintoclustersbasedoncertintainsimilarity．Clusteringanalysiscanbeseenasantmsupervised

5、learningprocessfromtheperspectiveofmachinelearning．Ingeneral,theunsupervisedlearningdoesnotrequiretheclasslabelinformationbeforeanalysis．However，inrealworld，peoplehavesomeknowledgeaboutthedatatobeanalyzed．InmostCaseS，theusefulinformationisgenerallyignor

6、edinmosttraditionalscenarios．Semi-supervisedclusteringisproposedtoutilitizetheknowledgetoguidetheclusteringprocessandimprovetheclusteringresult．Ithasbeenassuredthatsemi-supervisedclusteringcanachievebetterclusteringresult．Recently,Semi-supervisedcluster

7、inghasbecomeoneofthehotreSearchtopicsintheareaofclustering．Thispaperhasstudyonsemi-supervisedalgorithmmethodandapplicationresultfromtheperspectiveofconstraints：attributes，rulesandreal-worldapplication．Thispaper'smaincontributionsandinnovationsinclude：Il

8、l北京化工大學(xué)碩士學(xué)位論義1)ThispaperanalysesCOP-Weansclusteringalgorithmandpointsomitsdisadvantages，inducesthedispatchingmethodbasedonconstraintsetandtheconceptofassistantcentroid，bringsforwardtheimprovedversioncalledⅣ匝C—KlⅥeansandconfn'msit