基于半监督聚类算法的研究与应用

《基于半监督聚类算法的研究与应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要揽督学习需要知道所有数据的类别信息，而传统的无；l{【督聚类学习对于已知的先验知识没有在挖掘过程中的充分利用，导致聚类过程的盲目性。半监督学习凶具监督学习及无监督学习的优点，成为近几年来数据挖掘领域研究热点问题之一。本文研究了半jl{f督算法与聚类算法。针对search—kmea凇算法中心点的选取只满足局部最优，而非全局最优，导致簇的划分不合理的缺点：提出了DS—Kmeans算法，该方法采用二分法在未标记数据集中选取中心点，所选中心点达到全局最优，同时存寻找中心点的过程中，通过一次遍历即可找到所有的中

2、心点，与search—kmeans算法中利用候选集合寻找中心点的方法相比较，减少了遍历次数，从而降低了算法的时问复杂度。K—means算法及其改进算法必须事先确定簇的划分数日，丽划分数日的选取具有随机性和盲目性，基于此，提出了BSC—Kmeans算法，该算法不需要事先知道划分数目就可以自组织得到最后的类别数目。通过实验分析了BSC-Kmeans算法在TriS数据集和生成的数据集上进行实验，结果表明BSC-Kmeans算法在事先不指定划分数目的情况下，能够正确的得到聚类结果。最后研究了BSC-Kmeans算

3、法和DS—Kmeans算法在海尔集团的客户分群问题上的应用。对两种算法进行了比较，实现了海尔客户不同群体的划分，并研究了各群体的特点，相关结果将为企业的业务分析和决策提供辅助支持。关键词：数据挖掘；半监督；聚类；客户分群r’。㈠I。，!j●●■一．IAbstractSupervisedlearninghastoknowallthelabeledinformation，whiletheunsupervisedlearningdoesnotmakefuIluseoftheIabeledinformation，

4、whichresultsintheblindnessoftheclustering．Semi—supervisedlearninghasalwaysbeenoneofthefocalproblemsindataminingrealminresentyearsbecauseithassemi-supervisedlearningandunsupervisedlearningmerits．ThepapermainlyintroducesSemi-supervisedalgorithmandclustering

5、analysis．Thesearch-kmeanschoosesthecenterpointonlylocaloptimumandnotglobaloptimum，whichresultsinunreasonableclusterresult．Byanalyzingthesearch-kmeanssemi—supervisedclusteringalgorithm，aDS-kmeansalgorithmispresentedandthealgorithmusingthedichotomyfromtheun

6、labeleddatasetstochoosethecenterpoint．ThemethodCanmaketheclusterresultglobaloptimum．Andmeanwhile，bythisway,choosingallthecenterpointneedtomakeonlyasinglepassthroughadatasets．Comparedwiththesearch-kmeansalgorithm，theDS-kmeansalgorithmdecreasesthecomputatio

7、nalexpenseandreducesthetimecomplexity．K-meansalgorithmandimprovedalgorithmshastoassignclusternumber,whilechoosingtheclusternumberhasblindnessandrandomness．Onthatbasis，aBSC—kmeansalgorithmispresentedandthealgorithmdoesnotknowtheclusternumberandalsoclusters

8、thedatasets．ByusingIrisdatasetsBSC—kmeansclusteringalgorithmaredeeplyanalyzedbychangingthethresholdandlabeledclassinformationandautomaticallygenerateddatasetsfinallycomparedwiththesameclass．algorithmsearch·kmeansalg