最优聚类中心选取的半监督K均值聚类算法 |
| |
引用本文: | 孙建凯,李重.最优聚类中心选取的半监督K均值聚类算法[J].工业控制计算机,2013,26(5):96-98. |
| |
作者姓名: | 孙建凯 李重 |
| |
作者单位: | 浙江理工大学数学科学系,浙江杭州,310018 |
| |
基金项目: | 国家自然科学基金,浙江省科技厅项目 |
| |
摘 要: | 半监督聚类利用已标记的数据样本对聚类过程进行指导,提高了无监督学习的准确率,但是现有的半监督聚类算法都是针对完备标签数据提出的,这样的要求不切合实际的应用。提出一种新的半监督聚类算法,首先通过自适应的方法预估聚类数,然后利用优化目标函数方法来寻求最佳聚类中心。该方法可以对不完备标签数据进行聚类划分,而且降低计算复杂度,实验验证其聚类结果和计算复杂度都有明显的改善。
|
关 键 词: | 半监督聚类 完备标签 自适应方法 目标函数 计算复杂度 |
Semi-supervised K-means Clustering Algorithm Based on Best Cluster Centers |
| |
Abstract: | |
| |
Keywords: | |
本文献已被 CNKI 万方数据 等数据库收录! |
|