DBGSA：一种新颖的数据自适应 Bregman 聚类算法
机器学习
2023-07-28 v1 数值分析
数值分析
摘要
随着大数据技术的发展，数据分析变得日益重要。传统的聚类算法如 K-means 对初始质心选择高度敏感，且在非凸数据集上表现不佳。本文中，我们通过提出一种数据驱动的 Bregman 散度参数优化聚类算法（DBGSA）来解决这些问题，该算法结合万有引力算法使数据集中相似点彼此靠近。我们构建了具有特殊性质的引力系数方程，其影响因子随迭代推进逐渐减小。此外，我们引入 Bregman 散度广义幂平均信息损失最小化来识别聚类中心，并建立超参数辨识优化模型，有效解决了改进数据集中手动调整与不确定性的问题。在四个模拟数据集和六个真实数据集上进行了大量实验。结果表明，与其他类似方法（如增强聚类算法和改进数据集）相比，DBGSA 将各类聚类算法的准确率平均显著提升 63.8\%。另外，建立了三维网格搜索以比较阈值条件下不同参数值的效果，发现本模型给出的参数集是最优的。该发现为算法的高精度与鲁棒性提供了有力证据。
引用
@article{arxiv.2307.14375,
title = {DBGSA: A Novel Data Adaptive Bregman Clustering Algorithm},
author = {Ying Xiao and Hou-biao Li and Yu-pu Zhang},
journal= {arXiv preprint arXiv:2307.14375},
year = {2023}
}
备注
21 pages, 10 figures