用于无监督学习中模式发现的三重集成聚类（3EC）算法

本文提出一种称为“三重集成聚类 3EC”算法的多重学习器算法，作为无监督学习的一部分将无标签数据分类为高质量簇。它提供了基于内部验证指标由算法集成所形成的新簇上下文进行探索的灵活性。值得指出的是，输入数据集被视为簇的簇。异常也可能表现为一个簇。每个划分出的簇被视为新数据集，并作为探索最优算法及其划分拆分次数的候选，直至满足预定义停止准则。各算法独立将数据集划分为簇，划分质量由内部簇验证指标集成评估。3EC 算法呈现来自算法选择及其划分配置的验证指标得分，称为 Tau 网格。3EC 选取最优得分。3EC 算法得名于两个输入集成（算法与内部验证指标）和一个输出集成（最终簇）。质量在此聚类方法中起重要作用，并作为进一步划分的停止准则。质量由算法所提供的簇质量及其最优拆分次数决定。3EC 算法依据验证指标集成的得分确定该质量。用户可通过为每个验证指标的得分范围及输出簇最优大小提供质量阈值来配置停止准则。用户可尝试不同停止准则集合并选择最“合理的质量簇组”。