LS-BMO-HDBSCAN作为一种混合的仿真细菌智能框架,用于高效的数据聚类

科学领域:

• 数据挖掘 数据挖掘
• 机器学习 机器学习
• 计算智能是一种计算智能.

背景情况:

• 无监督的集群对于在大数据集中的模式发现至关重要.
• 像K-Means这样的传统算法与杂的数据和复杂的集群形状作斗争.
• 现有的方法往往缺乏稳定性和适应多样化的数据结构的适应性.

研究的目的:

• 开发一种先进的混合集群技术,以改进数据挖掘.
• 解决经典集群算法在处理杂和高维数据方面的局限性.
• 加强全球和本地搜索能力,防止过早的融合.

主要方法:

• 集成L-SHADE用于自适应参数控制和BMO用于勘探开发平衡.
• 在HDBSCAN中使用K-means进行中心点初始化,用于密度意识的集群.
• 拟议的LS-BMO-HDBSCAN方法在11个基准数据集上进行了评估.

主要成果:

• 在所有测试的数据集中,LS-BMO-HDBSCAN表现出卓越的性能.
• 混合方法的表现优于已有的算法,如K-Means和PSO变体.
• 关键指标包括Silhouette分数,戴维斯-博尔丁指数,兰德指数和贾卡德指数显示显著改善.

结论:

• 该LS-BMO-HDBSCAN技术提供了增强的耐用性,适应性和集群的准确性.
• 这种新的方法可靠地解决了现实世界数据挖掘中的复杂集群问题.
• 混合方法代表了智能数据分析的重大进步.