一种基于多样性与独立性的选择性聚类集成新策略
机器学习
2016-10-11 v1 人工智能
机器学习
摘要
本研究通过引入独立性和多样性度量，提出了一种新的聚类集成选择策略。近年来，作为评估过程中的两个度量指标，多样性和质量已被用于在聚类集成选择中选取基础聚类结果。尽管质量能够改善聚类集成的最终结果，但它无法控制生成基础结果的过程，这导致在预测所生成基础结果的准确性时存在差距。本文引入独立性作为与多样性结合使用的补充方法，以替代质量指标。为此，本文采用了一种启发式度量，该度量基于软件测试中将代码转换为图的过程，来计算两种基础聚类算法的独立性。此外，本文还引入了一种新的建模语言，我们称之为“聚类算法独立性语言”（CAIL），用于生成描述算法独立性的图。同时，还引入了一种新的相似性度量——均匀性，用于评估基础结果的多样性。作为佐证，我们在多种不同的标准数据集上的实验结果表明，与其他聚类集成方法相比，所提出的框架显著提高了最终结果的准确性。
引用
@article{arxiv.1610.02649,
title = {A new selection strategy for selective cluster ensemble based on Diversity and Independency},
author = {Muhammad Yousefnezhad and Ali Reihanian and Daoqiang Zhang and Behrouz Minaei-Bidgoli},
journal= {arXiv preprint arXiv:1610.02649},
year = {2016}
}
备注
Accepted in Engineering Applications of Artificial Intelligence (EAAI) Journal