符号数据的无监督学习:一种空间变换方法

摘要：

近年来符号数据的无监督学习在模式识别、机器学习、数据挖掘和知识发现等诸多领域扮演着越来越重要的角色.然而现有的针对符号数据的聚类算法(经典的K-modes系列算法等),相比数值型数据的聚类算法,在性能方面仍然有很大的提升空间.其根本原因在于符号数据缺乏类似数值数据那样清晰的空间结构.为了能够有效地发掘符号数据内在的空间结构,采用了一种全新的数据表示方案:空间变换方法.该方法将符号数据映射到相应的由原来的属性组成的新的维度的欧氏空间中.在这一框架的基础上,为了找到符号数据更有代表性的模式,结合Carreira-Perpifán提出的K-modes算法进行无监督学习.在9个常用的UCI符号数据集上进行了测试,与传统的符号数据聚类算法进行了实验比较,结果表明几乎在所有的数据集上提出的方法都是更加有效的.

关键词：符号数据、数据表示方案、空间变换

所属期刊栏目：43

分类号：TP181(自动化基础理论)

资助基金：国家优秀青年基金项目61322211;教育部新世纪人才支持计划NCET-12-1031;教育部博士点专项科研基金项目20121401110013;山西省青年学术带头人20120301

在线出版日期：2016-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：89-93,121