基于聚類學習的分類算法及模型優(yōu)化.pdf

1、聚類和分類是數(shù)據(jù)挖掘中的基本任務。長期以來，關于聚類技術在分類中的研究主要集中在應用聚類對訓練數(shù)據(jù)進行數(shù)據(jù)預處理，期望通過減少噪音數(shù)據(jù)的影響提高最終的分類精度，因此，如何充分地利用聚類信息指導分類是一個值得研究的問題。
　　非線性數(shù)據(jù)由于分布復雜，因此用簡單的分類模型難以得到滿意的分類精度。如果使用復雜的分類模型去逼近訓練數(shù)據(jù)，又會有過擬合的問題，使得分類模型的泛化誤差偏大。
　　本文采用了一種新的分類方法：基于簇學習的分類

2、模型。首先用聚類方法劃分數(shù)據(jù)形成一棵聚類樹，利用聚類信息訓練基本分類算法。通過在模擬數(shù)據(jù)和真實數(shù)據(jù)上的實驗，我們驗證了該模型在非線性數(shù)據(jù)分類問題中有更高的分類精度。在此基礎上，我們研究了模型選擇的問題，提出了模型優(yōu)化選擇算法。
　　本文的主要工作貢獻有：
　　(1)提出了一種應用在非線性數(shù)據(jù)上的間接分類模型，以簇標作為分類標簽，將基于類標的分類問題轉(zhuǎn)化為基于簇標的分類問題。從分類訓練的基本單位來看，新分類模型的基本單位是聚類

3、后形成的數(shù)據(jù)簇，相比傳統(tǒng)的以樣本為基本單位的分類模型是一個創(chuàng)新。
　　(2)擴展和豐富了DCC分類結構。當前的關于DCC模型的研究，都是利用聚類形成的數(shù)據(jù)簇，根據(jù)最短距離分類。本文提出的DCC拓展分類模型，把數(shù)據(jù)簇用作后續(xù)的分類訓練。分類算法的不同會派生出新的DCC分類結構。
　　(3)在模型選擇問題上提出了優(yōu)化算法，并且通過在UCI數(shù)據(jù)集上的實驗，我們驗證了這種模型選擇策略的有效性。
　　基于以上研究成果，本文設計了