基于多分类器集成的聚类算法研究

论文摘要

随着网络技术和数据库技术的快速发展，数据挖掘技术应运而生。聚类分析是数据挖掘中的重要分支之一，是一种数据划分或分组处理的重要手段和方法。聚类的应用是非常广泛的，无论是在商务领域，还是在生物学、Web文档分类、图像处理等其它领域，都得到了有效的应用。由于混合型数据集自身的复杂性，在传统的聚类算法中适合于处理这种数据集的算法较少，而且聚类的效果也不佳。另外，聚类簇数的确定一直是聚类分析难以解决的问题。近年来，随着集成学习技术在分类和预测领域的成功应用，形成了较成熟的多分类器集成技术，然而由于在聚类分析中缺乏数据集的先验知识，导致聚类集成的研究起步较晚，在很多方面还值得进一步研究。目前的聚类集成算法大多是一种并联式结构，由于需要对聚类成员的聚类结果进行匹配和融合，所以时间复杂度较高；同时聚类簇数的确定问题依然存在，特别是聚类成员的簇数、最终的聚类簇数以及两者之间的关系更是一个难以确定的问题。针对上述问题，本论文借鉴了多分类器集成技术，以k-prototype算法为基础聚类算法，设计了一种多层次的聚类集成算法。该算法适合于混合型数据集，采用了级联式结构，避免了匹配和融合的过程，并且只需给出聚类簇数的一个初步估计值，随着聚类层次的增加对簇数进行自适应的调整。在本论文中以UCI标准数据集进行实验，从各方面验证了该算法的性能，证明了该算法具有较高的聚类准确率，明显提高了混合型数据集的聚类效果；其时间复杂度较低，具有很好的可扩展性；同时还具备一定的分类预测能力。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 数据挖掘技术
• 1.3 数据挖掘中的聚类分析
• 1.3.1 聚类分析的意义
• 1.3.2 聚类分析的研究现状
• 1.4 论文的研究范围及目的
• 1.5 论文的内容安排
• 第二章 聚类分析的基础知识
• 2.1 聚类分析的定义
• 2.2 聚类分析中的数据对象
• 2.2.1 数据的类型
• 2.2.2 数据的变换
• 2.3 相似度的度量方式
• 2.3.1 数值型数据集（numerical data）
• 2.3.2 类别型数据集（categorical data）
• 2.3.3 混合型数据集（mixed data）
• 2.4 主要的聚类算法及存在的问题
• 2.4.1 主要的聚类算法
• 2.4.2 存在的问题
• 2.5 本章小结
• 第三章 集成学习技术
• 3.1 多分类器集成技术
• 3.2 多分类器集成的组织结构
• 3.2.1 级联结构
• 3.2.2 并联结构
• 3.3 多分类器集成的主要算法
• 3.4 聚类集成的研究现状
• 3.4.1 聚类成员的产生
• 3.4.2 共识函数的设计
• 3.4.3 存在的问题
• 3.5 本章小结
• 第四章 多层次聚类集成算法
• 4.1 多层次的聚类策略
• 4.2 多层次的聚类集成算法
• 4.2.1 k-prototype算法
• 4.2.2 纯度阈值
• 4.2.3 聚类多叉树的构建
• 4.2.4 再聚类时属性的选择
• 4.2.5 算法的描述
• 4.3 本章小结
• 第五章 实验结果及分析
• 5.1 实验数据集
• 5.2 实验环境
• 5.3 实验性能指标
• 5.4 实验的对比算法
• 5.4.1 基于初始簇中心的选择性聚类集成算法
• 5.4.2 基于不同类型属性的聚类集成算法
• 5.5 实验结果及分析
• 5.5.3 再聚类有效性验证实验
• 5.5.4 聚类效果对比实验
• 5.5.5 时间效率对比实验
• 5.5.6 分类预测能力对比实验
• 5.5.7 实验小结
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 本文总结
• 6.2 展望
• 参考文献
• 致谢