聚类分析----准则函数

最新推荐文章于 2024-07-07 15:59:16 发布

沃·夏澈德

最新推荐文章于 2024-07-07 15:59:16 发布

阅读量1.4w

点赞数 10

分类专栏：模式识别学习笔记

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/aaalswaaa1/article/details/81583691

版权

模式识别学习笔记专栏收录该内容

13 篇文章 2 订阅

订阅专栏

判别分类结果好坏的一般标准：类内距离小，类间距离大。

类内的准则函数

设有待分类的模式集在某种相似性测度基础上被划分为C类，

类内距离准则函数 J_W 定义为:( $\vec{m}_j$ 表示 $\omega _j$ 类的模式均值矢量。)

$m_j=\frac{1}{n_j}\sum_{i=1}^{n_j}x_{i}^{(j)} (j=1,2,...,c)$

我们的目标是令 J_W 取最小，这种准则也称为误差平方和准则。

显然， J_W 在样本集{ ${x_i}$ }和类数给定的条件下， J_W 的值取决于模式类别的分划与类心的选取。

还可以视情况使用加权类内距离准则。

类间距离准则

$J_B=\sum_{j=1}^{c}(m_j-m)^T(m_j-m)\Rightarrow max$

式中： m_j 为 $\omega _j$ 类的模式平均矢量，m为总的模式平均矢量。

设 n_j 为 $\omega _j$ 所含模式个数，则

$m_j=\frac{1}{n_j}\sum_{x_i\in \omega j}x_i$

$m=\frac{1}{N}\sum_{i=1}^{N}x_i$

加权类间距离准则

基于类内距离类间距离的准则函数

设带分类模式集{xi,i=1,2,...,N},将它们分成c类，其中Wj类含nj个模式，分类后各模式记为 $\{x_i^{(j)},j=1,2,...,c;i=1,2,...,n_j\}$ 。

$\omega _j$ 的类内差阵定义为

式中：mj为wj类的模式均值矢量

总的类内离差阵定义为

类间离差阵定义为

$S_B=\sum_{j=1}^{c}\frac{n_j}{N}(m_j-m)(m_j-m)^T$

式中：m为所有待分类模式的均值矢量

$m=\frac{1}{N}\sum_{i=1}^{N}x_i$

总的离差阵 $S_T$ 定义为

S_T=S_W+S_B

聚类的基本目的是使或。利用线形代数有关矩阵的迹和行列式的性质,可以定义如下4个聚类的准则函数:

由它们的构造可以看出，为得到好的聚类结果，应该使它们尽量的大。

关注

10
点赞
踩
34

收藏

觉得还不错? 一键收藏
4
评论
聚类分析----准则函数

判别分类结果好坏的一般标准：类内距离小，类间距离大。类内的准则函数设有待分类的模式集在某种相似性测度基础上被划分为C类，类内距离准则函数定义为:(表示类的模式均值矢量。)我们的目标是令取最小，这种准则也称为误差平方和准则。显然，在样本集{}和类数给定的条件下，的值取决于模式类别的分划与类心的选取。还可以视情况使用加权类内距离准则。类间距离准则式中：...
复制链接

扫一扫

专栏目录

评论 4

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。