基于核相似性度量的重叠聚类
机器学习
2012-11-30 v1 机器学习
统计方法学
摘要
产生重叠方案是聚类中的一个主要问题。最近提出的重叠方法依赖于寻找最优覆盖，并基于不同的度量，如欧几里得距离和I-散度，用于衡量观测值之间的接近程度。在本文中，我们提出使用另一种基于核相似性度量的度量来进行重叠聚类。我们还利用Gram矩阵估计重叠聚类的数量。在Iris和EachMovie数据集上的实验表明，聚类数量估计的正确性，并且基于核相似性度量的度量提高了重叠聚类中的精确率、召回率和F-measure。
引用
@article{arxiv.1211.6859,
title = {Overlapping clustering based on kernel similarity metric},
author = {Chiheb-Eddine Ben N'Cir and Nadia Essoussi and Patrice Bertrand},
journal= {arXiv preprint arXiv:1211.6859},
year = {2012}
}
备注
Second Meeting on Statistics and Data Mining 2010