9月2日论文

捡贝壳的孩子

于 2021-09-02 21:04:37 发布

阅读量132

点赞数 1

分类专栏：每日一读文章标签： clustering

本文链接：https://blog.csdn.net/single_ton/article/details/120069812

版权

每日一读专栏收录该内容

4 篇文章

订阅专栏

本文提出了一种名为K-multiple-means的聚类方法，扩展了传统的K-means，能够处理多类别的数据聚类问题。KMM解决了K-means在处理具有多个子类别的类别时的局限，将其建模为具有受限拉布拉斯rank的双点图分割问题。通过理论分析比较了KMM与K-means的差异，并在多种合成和真实世界数据集上展示了其有效性和应用潜力，如Wine、Ecoli等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

K-multiple-means: A multiple-means clustering method with specified K clusters

摘要：
本文对于K-means方法做了拓展，使其应用于多类别的聚类。之前的K-means聚类只使用一个中心对所有类别的数据进行建模。但是由于捕捉不到非凸显模式以及某些类别由多个子类组成，不能由单个原型来表示。
提出方法KMM，将具有多个子类的数据点归入指定的k群（group the datapoints with multiple sub-cluster means into specified k clusters.)
点：
1、发现了多均值表示的原始数据的分割备件被建模为一个具有受限拉布拉斯rank的双点图分割问题。
2、展示KMM与K-means聚类之间的理论分析
结果展示数据集：合成和著名的真实世界数据集，Wine, Ecoli, BinAlpha, Palm, Abalone, HTRU2