一种基于Mercer核函数的聚类算法

 

传统的特点和本算法的特色

传统的C-均值聚类算法，没有对样本特征进行优化，直接利用样本惊醒聚类，这样上述的这些方法的有效性很大程度的取决于样本的分布。

 

 

距离的选择

我们假定样本x被非线性函数der（x）映射到高维特征空间，那么，我的的欧几里得距离有：

distence(x,y) = sqrt( len( der(x) - der(y) ) ) = sqrt(der(x)*der(x) + der(y)*der(y) - 2*der(x)*der(y))

显然，如果我门令K(x_i,x_j) =der(x_i) .* der(x_y)的话，那么有：

distence(x,y) = sqrt( K(x,x) - 2*K(x,y) +K(y,y) );

 

这样我们就把非线性函数映射der为K（二元标量函数）了。

 

K函数的选择

这个部分理论比较深，我就简单给出几个好用的例子：

（1）多项式核函数：K(x,y) = (x.*y + 1)^d ;d为整数。

&#x