基于贝叶斯概率估计的类属数据聚类算法
大小:0.90 MB 人气: 2017-12-04 需要积分:1
针对类属型数据聚类中对象间距离函数定义的困难问题,提出一种基于贝叶斯概率估计的类属数据聚类算法。首先,提出一种属性加权的概率模型,在这个模型中每个类属属性被赋予一个反映其重要性的权重;其次,经过贝叶斯公式的变换,定义了基于最大似然估计的聚类优化目标函数,并提出了一种基于划分的聚类算法,该算法不再依赖于对象间的距离,而是根据对象与数据集划分间的加权似然进行聚类;第三,推导了计算属性权重的表达式,得出了类属型属性权重与其符号分布的信息熵成反比的结论。在实际数据和合成数据集上进行了实验,结果表明,与基于距离的现有聚类算法相比,所提算法提高了聚类精度,特别是在生物信息学数据上取得了5% - 48%的提升幅度,并可以获得有实际意义的属性加权结果。
非常好我支持^.^
(0) 0%
不好我反对
(0) 0%
下载地址
基于贝叶斯概率估计的类属数据聚类算法下载
相关电子资料下载
- 3.GraphSAGE[9]:generalized aggregation方法 322
- 贝叶斯优化是干什么的(原理解读) 684
- 贝叶斯深度学习介绍 425
- 关于贝叶斯概念进行形式化的建模和推理 319
- 贝叶斯网络的因果关系检测(Python) 572
- 基于K-means聚类算法的图像分割 1113
- 什么是卡尔曼滤波?卡尔曼滤波过程步骤 1764
- 机器学习4个超参数调优方法 403
- 机器学习theta是什么?机器学习tpe是什么? 1418
- 介绍一种基于最小化平方误差的聚类算法 498