由高密度点指导的自动集群消除.
IEEE transactions on cybernetics
|March 3, 2025
概括
通过一种新的算法来简化确定最佳集群数量,即具有高密度点 (SR-PCM-HDP) 的自我调节可能的C-平均值. 这种方法提高了集群分析的效率和准确性,特别是在复杂的数据集.
科学领域:
- 数据科学数据科学数据科学
- 机器学习 机器学习
- 计算统计学 计算统计学
背景情况:
- 在集群分析中确定最佳集群数量是一个重大挑战.
- 使用集群有效性指数 (CVI) 的现有方法是复杂的,经常产生相互矛盾的结果.
- 这种复杂性阻碍了有效和准确的集群分析.
研究的目的:
- 引入一种新的集群算法,即具有高密度点 (SR-PCM-HDP) 的自我调节可能性C-介质,以简化和高效地确定集群数.
- 增强聚类效率和有效性,特别是对于具有具有挑战性的分布的数据集.
- 克服现有的CVI依赖方法的局限性.
主要方法:
- 开发了基于密度的知识提取 (DBKE) 来估计初始集群数量并识别高密度点,增强密度峰值集群 (DPC).
- 引入了SR-PCM-HDP,其参数平衡高密度点和集群中心,以改善融合和降低灵敏度.
- 重新定义了可行性C-平均值 (PCM) 参数调整,以适应集群消除和形成.
主要成果:
- SR-PCM-HDP准确地确定集群数量并确保集群有效性.
- 该算法在重叠或不平衡分布的数据集上表现出卓越的性能.
- 实验结果显示,与13个最先进的算法相比,它的有效性更高.
结论:
- 通过简化集群数的确定,SR-PCM-HDP提供了一种更有效,更准确的集群分析方法.
- 该算法有效地处理复杂的数据集,优于现有方法.
- 这种新的方法为无监督学习挑战提供了强有力的解决方案.


