均匀与比例特征空间中的层次聚类
物理与社会
2024-07-12 v1
摘要
模式比较代表了科学建模、人工智能和模式识别中的一个基本且关键方面。通常已应用四种主要方法进行模式比较：（i）距离；（ii）统计联合变动；（iii）投影；以及（iv）相似性指数，每种方法都有其特定特征。除了为基于多集的相似性方法论证其内在有趣特性外，本文描述了一种基于的分层凝聚聚类方法，其继承了协 coincident 相似性指数若干有趣特性，包括严格比较允许区分接近相似的模式、内在归一化以及对数据集中噪声和异常值的显著鲁棒性。我们还考虑了两种其他分层聚类方法，即一种基于多集的方法以及传统的Ward方法。在描述均匀和比例特征空间并呈现主要基本概念和方法之后，报告和讨论了对三种所考虑分层方法之间相对性能的比较。特别地，尽管协 coincident 相似性方法本身适用于实现比例比较，它在多种类型的数据在均匀特征空间中也能有效工作。
关键词
引用
@article{arxiv.2407.08604,
title = {Agglomerative Clustering in Uniform and Proportional Feature Spaces},
author = {Alexandre Benatti and Luciano da F. Costa},
journal= {arXiv preprint arXiv:2407.08604},
year = {2024}
}
备注
32 pages, 22 figures