一种用于模糊-可能性 C 均值聚类的新有效性指标
机器学习
2020-05-20 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
在一些复杂数据集中，由于噪声点与离群点的存在，聚类有效性指标在确定最优簇数时可能给出相互冲突的结果。本文提出一种用于模糊-可能性 C 均值聚类的新有效性指标，称为模糊-可能性（FP）指标，其在形状与密度各异的簇存在时表现良好。此外，与多数聚类算法类似，FPCM 易受某些初始参数影响。就此而言，除簇数外，FPCM 还需先验选定模糊度与典型性程度。因此，我们提出了一种确定其最优值的有效流程。所提方法已在多个合成与真实数据集上评估。最终计算结果展示了该方法相较于文献中若干知名模糊有效性指标的能力与可靠性。此外，为阐明该方法在实际应用中的能力，我们将所提方法应用于微阵列基因表达数据聚类与医学图像分割。
引用
@article{arxiv.2005.09162,
title = {A New Validity Index for Fuzzy-Possibilistic C-Means Clustering},
author = {Mohammad Hossein Fazel Zarandi and Shahabeddin Sotudian and Oscar Castillo},
journal= {arXiv preprint arXiv:2005.09162},
year = {2020}
}
备注
The following article has been accepted by Scientia Iranica