KDD-SC：面向知识发现框架的子空间聚类扩展
数据库
2014-07-16 v1
摘要
分析高维数据是一项具有挑战性的任务。对于此类数据，已知传统聚类算法无法检测出有意义的模式。作为解决方案，子空间聚类技术应运而生。它们通过分析数据的任意子空间投影来检测聚类结构。在本文中，我们介绍了针对 KDD 框架的子空间聚类扩展，称为 KDD-SC。与现有的子空间聚类工具包不同，我们的解决方案既非独立产品，也未与特定 KDD 框架紧密耦合。我们的扩展通过通用代码库以及针对三个最流行的 KDD 框架（即 KNIME、RapidMiner 和 WEKA）的易用插件实现。KDD-SC 扩展了这些框架，使其能够提供广泛的子空间聚类功能。它提供了多种专为子空间聚类设计的算法、数据生成器、评估指标和可视化技术。这些功能与框架的现有功能无缝集成，从而可以灵活组合。KDD-SC 可在我们的网站上公开获取。
引用
@article{arxiv.1407.3850,
title = {KDD-SC: Subspace Clustering Extensions for Knowledge Discovery Frameworks},
author = {Stephan Günnemann and Hardy Kremer and Matthias Hannen and Thomas Seidl},
journal= {arXiv preprint arXiv:1407.3850},
year = {2014}
}
备注
8 pages, 8 figures