基于集成的無(wú)監(jiān)督離散化及在數(shù)據(jù)集相似性度量上的應(yīng)用.pdf

1、隨著信息技術(shù)的高速發(fā)展，模式識(shí)別在現(xiàn)實(shí)生活中的應(yīng)用日益廣泛，但是一些數(shù)據(jù)挖掘領(lǐng)域的算法只能處理離散屬性值，而現(xiàn)實(shí)中的很多數(shù)據(jù)都呈現(xiàn)連續(xù)型，這將直接影響機(jī)器學(xué)習(xí)的效果。根據(jù)是否考慮數(shù)值的類(lèi)別信息，離散化可分為有監(jiān)督和無(wú)監(jiān)督的方法。文獻(xiàn)中對(duì)前者研究頗深并且效果較好，而后者仍具有挑戰(zhàn)性。本文提出了一種基于集成學(xué)習(xí)的無(wú)監(jiān)督離散化算法，并將其應(yīng)用于聚類(lèi)算法選擇分析。
　　基于集成的無(wú)監(jiān)督離散化算法的主要思想如下：首先使用 k-means對(duì)數(shù)

2、據(jù)集進(jìn)行劃分可得到一些類(lèi)別信息；然后使用有監(jiān)督的方法對(duì)標(biāo)簽數(shù)據(jù)進(jìn)行離散化，重復(fù)這兩個(gè)過(guò)程便可得到多個(gè)離散結(jié)果；再應(yīng)用集成學(xué)習(xí)的思想，從這些結(jié)果中得到最小子區(qū)間集合，最后根據(jù)相鄰數(shù)據(jù)之間的相似性關(guān)系合并最小子區(qū)間，并且提出了兩種有效的停止準(zhǔn)則來(lái)終止合并過(guò)程。其中，合并的過(guò)程考慮了數(shù)據(jù)的鄰居關(guān)系，這樣盡可能地保持了數(shù)據(jù)集的內(nèi)在結(jié)構(gòu)關(guān)系。為驗(yàn)證算法的精確性，可將離散后的數(shù)據(jù)應(yīng)用于聚類(lèi)算法，如譜聚類(lèi)，然后再評(píng)價(jià)聚類(lèi)后的效果。實(shí)驗(yàn)結(jié)果表明，該無(wú)監(jiān)

3、督離散化算法比其他的四種方法聚類(lèi)精度平均提高了約33％，驗(yàn)證了其可行性及高效性。
　　聚類(lèi)分析是數(shù)據(jù)挖掘等領(lǐng)域的重要工具，由于它是一個(gè)病態(tài)問(wèn)題，盡管文獻(xiàn)中有大量的聚類(lèi)算法，但一個(gè)聚類(lèi)算法通常僅適合某些特定的數(shù)據(jù)集，而用戶(hù)對(duì)數(shù)據(jù)集并無(wú)先驗(yàn)知識(shí)，那么如何選擇一個(gè)適合自身數(shù)據(jù)集的聚類(lèi)算法，是一個(gè)棘手的問(wèn)題。根據(jù)上述基于集成的離散化方法，本文定義了面向聚類(lèi)算法特征的數(shù)據(jù)集相似性度量，并提出了聚類(lèi)算法選擇的框架。其主要思想如下：首先創(chuàng)建一個(gè)