基于改进相似性度量的邻近传播聚类算法

摘要：

邻近传播(Affinity Propagation,AP)聚类将数据集中所有数据点均视为潜在的聚类中心,并采用欧氏距离法计算输入相似度矩阵,导致其性能对变形十分敏感.针对这一缺陷,提出了采用两种不同的相似性度量方法来计算数据集中两个数据点之间的相似度.分别将明可夫斯基(Minkowski)和切比雪夫(Chebychev)相似性度量引入到AP聚类中,替换原有的欧氏距离度量来构建相似性矩阵.在UCI机器学习数据集上,利用Jaccard指数和Fowlkes-Mlowers对提出方法进行了量化评估.实验结果表明,基于明可夫斯基距离和切比雪夫距离的AP聚类方法在总体精度上优于现有的欧氏距离.

关键词：数据聚类、邻近传播算法、欧氏距离、相似性度号、聚类中心

所属期刊栏目：36

分类号：TP393(计算技术、计算机技术)

在线出版日期：2020-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：173-176