用于识别不同模糊度层次聚类的模糊聚类：一种进化多目标优化方法
神经与进化计算
2024-10-30 v1 机器学习
摘要
模糊聚类方法可识别数据集中自然形成的簇，不同簇之间的重叠程度可能各异。多数方法带有一个用于固定模糊度水平的参数。然而，恰当的模糊度水平取决于具体应用。本文提出熵 c-均值（Entropy -Means，ECM），一种模糊聚类方法，其同时优化两个相互矛盾的目标函数，从而生成具有不同模糊度水平的模糊簇。这使得 ECM 能够识别具有不同重叠程度的簇。ECM 使用两种多目标优化方法——非支配排序遗传算法 II（Non-dominated Sorting Genetic Algorithm II，NSGA-II）与基于分解的多目标进化算法（Multiobjective Evolutionary Algorithm based on Decomposition，MOEA/D）——来优化这两个目标函数。我们还提出了一种从帕累托前沿中选择合适折中聚类的方法。在具有挑战性的合成数据集与真实世界数据集上的实验表明，相较于传统模糊聚类方法以及先前用于模糊聚类的多目标方法，ECM 能实现更好的簇检测。
引用
@article{arxiv.1808.03327,
title = {Fuzzy Clustering to Identify Clusters at Different Levels of Fuzziness: An Evolutionary Multi-Objective Optimization Approach},
author = {Avisek Gupta and Shounak Datta and Swagatam Das},
journal= {arXiv preprint arXiv:1808.03327},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication