基于熵的二元數(shù)據(jù)聚類算法的研究.pdf

1、隨著計算機應用的普及，信息系統(tǒng)產(chǎn)生的數(shù)據(jù)量日益增大，迫切需要高效的數(shù)據(jù)挖掘工具，從大量原始數(shù)據(jù)中尋找有價值的知識模式。聚類分析是數(shù)據(jù)挖掘的重要工作之一。二元數(shù)據(jù)是一種只有0和1兩種狀態(tài)的數(shù)據(jù)類型，常見的二元數(shù)據(jù)類型有購物籃數(shù)據(jù)、文檔數(shù)據(jù)等，其維度往往高達成千上萬。如何高效地從二元數(shù)據(jù)中尋找潛在的、自然存在的聚類簇，這是當前聚類研究的熱點。
　　 本文對二元數(shù)據(jù)聚類分析展開研究，目的是尋求高效的二元數(shù)據(jù)聚類算法。通過分析二元數(shù)據(jù)高

2、維稀疏性的特點，采用子空間聚類技術進行研究。在已有的二元數(shù)據(jù)聚類算法--基于有限混合伯努利模型的聚類算法的基礎上，本文改進出一種基于熵的算法--ESCB(Entropy basedSubspace Clustering of Binary Data)算法。改進的主要方面有：①針對在二元數(shù)據(jù)空間中，傳統(tǒng)的基于距離的相似性度量方法導致點與點之間相似度分辨能力下降的問題，本文定義了一種相似性度量方法，有效地解決了二元數(shù)據(jù)相似性度量的問題；②通

3、過對基于有限混合伯努利模型的二元數(shù)據(jù)聚類算法的研究，針對算法需要用戶自行設定簇的個數(shù)作為算法的初始參數(shù)，致使算法應用性受到局限的問題。本文使用了改進的初始化方法用來初始劃分數(shù)據(jù)集，并且利用熵對初始劃分進行質量評價，進一步判斷初始參數(shù)是否達到最優(yōu)，最后實現(xiàn)了無參聚類。
　　 實驗表明，該算法能夠有效地發(fā)現(xiàn)二元數(shù)據(jù)空間中的聚類簇，并且為每個簇指定相應的屬性空間。同時，與基于有限混合伯努利模型的聚類算法相比，改進后的方法使得聚類算法在