资料下载
×
如何使用概率模型进行非均匀数据聚类算法的设计介绍
消耗积分:0 |
格式:rar |
大小:0.98 MB |
2018-12-13
分享资料个
针对传统K-means型算法的“均匀效应”问题，提出一种基于概率模型的聚类算法。首先，提出一个描述非均匀数据簇的高斯混合分布模型，该模型允许数据集中同时包含密度和大小存在差异的簇；其次，推导了非均匀数据聚类的目标优化函数，并定义了优化该函数的期望最大化（ EM）型聚类算法。分析结果表明，所提算法可以进行非均匀数据的软子空间聚类。最后，在合成数据集与实际数据集上进行的实验结果表明，所提算法有较高的聚类精度，与现有K-means型算法及基于欠抽样的算法相比，所提算法获得了5%~50%的精度提升。
聚类分析作为数据挖掘的一种重要方法，目的是将给定数据划分成多个子集（每个子集为一个簇），使得簇内对象彼此相似，与其他簇对象不相似］。传统的聚类算法可分为层次聚类、基于划分聚类、基于密度和网格聚类，以及其他聚类算法。目前聚类分析已广泛应用在Web搜索、图像处理、模式识别、医疗数据分析等众多领域。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
