基于密度檢測和信息增益的半監(jiān)督kmeans算法.pdf

1、近年來，信息量呈爆炸式增長趨勢，海量數(shù)據(jù)的出現(xiàn)已經(jīng)成為常態(tài)。與此同時也出現(xiàn)數(shù)據(jù)龐大而知識面對傳統(tǒng)的決策系統(tǒng)無法滿足現(xiàn)在人們的迫切需求，數(shù)據(jù)挖掘技術(shù)正是解決這一問題的有效方法之一。聚類分析是數(shù)據(jù)挖掘領(lǐng)域的一個重要分支，半監(jiān)督聚類算法更是近幾年來的研究熱點。半監(jiān)督聚類方法融合有監(jiān)督學習和無監(jiān)督學習的優(yōu)點，既充分利用了少量已標記的數(shù)據(jù)信息對聚類過程進行約束指導，又不需要對大量的數(shù)據(jù)進行標記，更貼近實際情況，容易實現(xiàn)。kmeans算法是最早一批

2、被擴展到半監(jiān)督領(lǐng)域的聚類算法之一，通過引入少量監(jiān)督信息，能夠大大提升聚類準確度和迭代效率。Seeded-kmeans算法是一種有效的半監(jiān)督kmeans算法，它通過對標記樣本的利用完成初始中心點的優(yōu)化，但是其對于多維數(shù)據(jù)將各維數(shù)據(jù)重要性等同視之，對孤立點和噪聲點敏感，這些缺點限制了它的應(yīng)用。
　　本文主要針對Seeded-kmeans算法進行系統(tǒng)研究和改進，具體的研究工作安排如下：
　?。?）對聚類和半監(jiān)督聚類的背景知識進行了

3、較詳細的介紹，包括其基礎(chǔ)理論、歷史背景、研究現(xiàn)狀、發(fā)展趨勢等。為了能更好地研究半監(jiān)督kmeans聚類算法，本文對kmeans聚類算法進行了相關(guān)介紹，然后舉例介紹了兩種常用的半聚類kmeans聚類算法。
　　（2）Seeded-kmeans算法的一個缺點是對各屬性的重要性評估不足，針對于此，本文引入了基于信息增益的特征選擇方法，對Seeded-kmeans算法優(yōu)化、改進。其算法思想是通過對seed集的充分運用，采用信息增益的方法計算

4、出各屬性的權(quán)值，然后再運用Seeded-kmeans算法進行聚類。此外，針對Seeded-kmeans算法的對孤立點和噪聲敏感的缺點，在Seeded-kmeans算法的基礎(chǔ)上加入密度檢測，通過計算seed集樣本點的密度參數(shù)，并對其進行密度檢測，不滿足所劃定臨界值的樣本點將被視為噪聲點進而從seed集中刪除，從而提高Seeded-kmeans算法的抗噪能力。
　　（3）將上述信息增益的特征選擇方法和密度檢測方法進行綜合，對Seede