基于貝葉斯概率估計(jì)的類(lèi)屬數(shù)據(jù)聚類(lèi)算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶(hù)評(píng)論（0）
針對(duì)類(lèi)屬型數(shù)據(jù)聚類(lèi)中對(duì)象間距離函數(shù)定義的困難問(wèn)題，提出一種基于貝葉斯概率估計(jì)的類(lèi)屬數(shù)據(jù)聚類(lèi)算法。首先，提出一種屬性加權(quán)的概率模型，在這個(gè)模型中每個(gè)類(lèi)屬屬性被賦予一個(gè)反映其重要性的權(quán)重；其次，經(jīng)過(guò)貝葉斯公式的變換，定義了基于最大似然估計(jì)的聚類(lèi)優(yōu)化目標(biāo)函數(shù)，并提出了一種基于劃分的聚類(lèi)算法，該算法不再依賴(lài)于對(duì)象間的距離，而是根據(jù)對(duì)象與數(shù)據(jù)集劃分間的加權(quán)似然進(jìn)行聚類(lèi)；第三，推導(dǎo)了計(jì)算屬性權(quán)重的表達(dá)式，得出了類(lèi)屬型屬性權(quán)重與其符號(hào)分布的信息熵成反比的結(jié)論。在實(shí)際數(shù)據(jù)和合成數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明，與基于距離的現(xiàn)有聚類(lèi)算法相比，所提算法提高了聚類(lèi)精度，特別是在生物信息學(xué)數(shù)據(jù)上取得了5% - 48%的提升幅度，并可以獲得有實(shí)際意義的屬性加權(quán)結(jié)果。
?
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
基于貝葉斯概率估計(jì)的類(lèi)屬數(shù)據(jù)聚類(lèi)算法下載
相關(guān)電子資料下載
- 3.GraphSAGE[9]：generalized aggregation方法 322
- 貝葉斯優(yōu)化是干什么的(原理解讀) 684
- 貝葉斯深度學(xué)習(xí)介紹 425
- 關(guān)于貝葉斯概念進(jìn)行形式化的建模和推理 319
- 貝葉斯網(wǎng)絡(luò)的因果關(guān)系檢測(cè)(Python) 572
- 基于K-means聚類(lèi)算法的圖像分割 1113
- 什么是卡爾曼濾波？卡爾曼濾波過(guò)程步驟 1764
- 機(jī)器學(xué)習(xí)4個(gè)超參數(shù)調(diào)優(yōu)方法 403
- 機(jī)器學(xué)習(xí)theta是什么？機(jī)器學(xué)習(xí)tpe是什么？ 1418
- 介紹一種基于最小化平方誤差的聚類(lèi)算法 498