一种无监督数据驱动的学习算法

摘要：

用代表点替代类均值代表类、用加权距离替代欧氏距离作为样本与类之间的相似性度量,由此建立一种新的无监督数据聚类算法.提取指标对分类所作贡献大小的量化值,以此为启发性知识定义加权距离,建立了用质心修正当前代表点的迭代算法.与均值聚类等序贯算法不同,基于质心的迭代算法的批处理性可消除输入产生的随机性干扰.采用IRIS数据和Breast Cancer数据验证了该算法的有效性.

关键词：无监督学习、代表点、分类权、隶属度、质心驱动

所属期刊栏目：24

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金60474019

在线出版日期：2009-05-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：472-476