基于集成學習的H-K聚類算法研究.pdf

1、聚類分析作為數(shù)據(jù)分析、挖掘的一種重要技術，已經(jīng)被廣泛的應用于模式識別、信息檢索、機器學習、生物種群劃分等領域中，是數(shù)據(jù)挖掘中一個非?；钴S的研究分支。
　　 目前，學術界已經(jīng)提出了很多種不同的聚類算法，它們主要可以分為以下幾類：劃分方法、層次方法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法等。這些方法根據(jù)自身特點的不同，應用于不同的領域中。H-K聚類算法(Hierarchical K-means Clustering)通過先采

2、用層次聚類算法對數(shù)據(jù)集進行初始劃分，再采用K-means算法進一步完善聚類過程，從而充分發(fā)揮了兩者的優(yōu)勢、避免了兩者的不足。
　　 隨著傳統(tǒng)的H-K聚類算法在實際中的應用越來越廣泛，也凸顯出一些問題，在處理海量數(shù)據(jù)集合和高維數(shù)據(jù)集上表現(xiàn)尤為明顯。本文將PCA(Principal Component Analysis，主成分分析方法)和集成學習(EnsembleLearning)思想引入到對傳統(tǒng)H-K聚類算法的改進中，使得改進后的

3、算法在處理海量和高維數(shù)據(jù)集聚類問題時，得到了較滿意的聚類效果。
　　 本文主要完成了以下研究工作：
　　 1.將統(tǒng)計學方法PCA引入到對傳統(tǒng)的H-K聚類算法進行改進，提出一種新的PCAHK聚類算法，該算法首先采用 PCA方法，將高維數(shù)據(jù)集投影到較低維空間中，再對降維后的數(shù)據(jù)集執(zhí)行H-K聚類算法，得到最終的聚類效果。通過在不同數(shù)據(jù)集上的實驗結(jié)果表明：PCAHK聚類算法較之傳統(tǒng)的H-K聚類算法，可以得到更好聚類效果，同時，算