基于最大间隔理论的组合距离学习算法
从已知数据集中学习距离度量在许多机器学习应用中都起着重要作用. 传统的距离学习方法通常假定目标距离函数为马氏距离的形式,这使得学习出的距离度量在应用上具有局限性. 提出了一种新的距离学习方法,将目标距离函数表示为若干候选距离的线性组合,依据最大间隔理论利用数据集的边信息学习得到组合距离中各距离分量的权值,从而得到新的距离度量. 通过该距离度量在模糊C均值聚类算法中的表现来对其进行评价. 在UCI数据集上,与其他已有的距离学习算法的对比实验结果证明了该文算法的有效性.
距离学习、组合距离、最大间隔、FCM、模糊聚类、聚类算法、距离、学习算法
10
TP181(自动化基础理论)
国家自然科学基金资助项目61272210;江苏省自然科学基金资助项目BK2011417, BK2011003
2016-01-29(万方平台首次上网日期,不代表论文的发表时间)
共8页
843-850