基于局部和全局信息的改进聚类算法

作者：许小龙; 王士同; 梅向东

来源：计算机工程, 2015, (06): 165-171.

• K-means算法
• 谱聚类
• 离散度矩阵
• 特征分解
• UCI数据集 K-means algorithm
• spectral clustering
• dispersion matrix
• characteristic decomposition
• UCI data set

传统K-means算法在随机选取初始聚类中心时,容易导致结果不稳定,谱聚类算法直接在相似矩阵上进行分割,对结果的准确性影响较大,而局部和全局正则化聚类算法未考虑数据空间分布对结果的影响。为此,引入离散度矩阵对局部和全局正则化聚类算法进行改进。改进算法考虑数据的分布信息,通过在局部信息目标函数中引入离散度矩阵,结合全局信息的目标函数,将目标函数最小化问题转换为分解稀疏矩阵特征的问题。在UCI机器学习数据集和公共数据挖掘数据集上的实验结果表明,与K-means及标准谱聚类算法相比,该算法的预测精度更高。

• 出版日期2015
• 单位江南大学