聚类算法中的优化方法应用
作者：陈新泉 著
出版时间：2014年版
内容简介
数据挖掘是从统计学、机器学习、最优化方法等学科中发展起来的一门新兴交叉学科，目前已被广泛应用到电子商务、医学、科学研究以及工程技术等领域中，它具有重要的理论与应用价值。当前，海量数据和混合属性数据集的数据挖掘应用越来越多，面对如此复杂的数据挖掘类型，现有的许多数据挖掘算法力不从心。如何充分利用优化方法来提高数据挖掘算法的效率，改善挖掘的结果，是众多研究者关心的热点。《聚类算法中的优化方法应用》将优化方法与数据挖掘结合起来进行研究，分析了数据挖掘的两个重要分支——聚类和分类，将特征权重优化与聚类和分类联系起来并进行相互融合，形成一条贯穿全文的主线。从多个角度研究将特征加权嵌入混合属性数据集的聚类和分类中，以期优化后的特征权重能有助于构造出更简洁、更精确的分类器。
目录
第1章 绪论
第一节 引言
第二节 本书的研究背景与意义
第三节 本书的研究思路与研究主线
一、本书的研究思路
二、本书的研究主线
第四节 与本课题相关的国内外研究进展
第五节 本书相关的技术与方法
一、数据挖掘
二、最优化理论和方法
三、特征选择和特征加权
四、聚类分析
五、分类
第六节 本书的主要内容
第2章 尽中心点算法的优化研究
第一节 引言
第二节 肛中心点轮换法
一、肛means聚类算法和肛中心点聚类算法
二、“中心点轮换法
三、仿真实验
四、聚类数目的合适性讨论
第三节 基于近似类抽样的组合聚类方法
一、几个基本概念的引入
二、基于近似类抽样的组合聚类算法
三、仿真实验
本章小结
第3章 Rosenbrock搜索法在聚类分析中的研究
第一节 引言
第二节 Rosenbrock搜索法在聚类分析中的应用
一、聚类问题的描述
二、聚类中心点集的尼步优化搜索策略
三、Rosenbrock搜索“代表点聚类算法
四、优化搜索方法的讨论
第三节 仿真实验
本章小结
第4章 特征权重的自适应优化方法研究
第一节 引言
第二节 特征权重的自适应优化
一、特征权重的自适应优化问题描述
二、几个优化目标函数
三、优化特征权重的带约束的最小化目标函数
四、优化特征权重的带约束的混合目标函数
五、仿真实验
六、优化参数五
第三节 基于核映射的属性权重的自适应优化
一、属性权重的自适应优化配置
二、基于核映射的优化属性权重的混合目标函数
三、仿真实验
四、优化参数
第四节 特征权重的评估
本章小结
第5章 特征加权的模糊c聚类算法研究
第一节 引言
第二节 模糊C均值聚类算法与特征权重优化相结合的研究
一、特征杈重组的自适应优化配置问题描述
二．means聚类算法与特征杈重优化相结合的研究
三、FCM聚类算法与特征权重优化相结合的研究
四、模糊c均值聚类算法与特征权重优化相结合的扩展研究
五、仿真实验
第三节 基于核映射的加权模糊C聚类算法
一、基于核映射的加权模糊C聚类算法
二、基于核映射的加权：FCM聚类算法的扩展研究
第四节 基于混合目标函数的加权模糊C聚类算法
一、FCM聚类算法与特征权重优化相结合的研究
二、基于混合目标函数的加权模糊c聚类算法描述
三、基于混合目标函数的加权模糊C聚类算法的扩展研究
四、仿真实验
五、特征加权的聚类算法小结
第五节 WKMeans聚类算法的实验结果及分析
一、二个标准数据集的实验结果
二、实验结果比较与分析
三、特征权重的评估
本章小结
第6章 基于决策树划分的特征权重优化研究
第一节 引言
第二节 基于决策树划分的特征权重优化
一、问题描述
二、基于决策树划分的特征权重优化方法
三、混合属性数据点集的特征权重优化策略
第三节 混合属性数据点集的特征权重优化
一、混合属性数据点集的距离定义
二、有序属性子集的特征权重优化
三、无序类别属性子集的特征权重优化
四、距离权重系数y的优化
第四节 几个目标函数的优化策略
一、投影梯度法
二．￡氏极值法
第五节 基于决策树划分的特征权重优化算法
一、算法描述
二、类别可分性判据的推广定义
三、基于决策树划分的特征权重优化算法的迭代停止准则
四、优化特征权重的其他几个目标函数
第六节 仿真实验
一、仿真实验设计
二、仿真实验结果
三、实验结果比较与分析
本章小结
结束语
参考文献
