聚類分析中的特征選擇研究.pdf

1、聚類分析是機器學習和數(shù)據(jù)挖掘中的重要工具，在發(fā)現(xiàn)數(shù)據(jù)中的隱含知識和識別數(shù)據(jù)內(nèi)在結構方面有著重要的作用。迅猛發(fā)展的計算機技術、網(wǎng)絡技術和數(shù)據(jù)庫技術使得數(shù)據(jù)的采集、傳輸和存儲更為便利和快捷，從而形成了大量類型復雜、結構多樣的高維海量數(shù)據(jù)，其帶來數(shù)據(jù)結構的復雜性使得當前特征選擇算法和機器學習算法難以收到較好的結果，迫切需要發(fā)展適應大規(guī)模數(shù)據(jù)的準確性和運行效率等綜合性能較好的、新的特征選擇算法以及機器學習算法。因此，為了有效的進行模式分類和聚類

2、分析，特征降維就顯得尤為重要。
　　本文針對大規(guī)模數(shù)據(jù)聚類分析中的特征選擇方法研究開展了較為深入的研究，主要內(nèi)容如下:
　　(1)針對當前大規(guī)模數(shù)據(jù)處理中遇到的問題進行分析，對當前在聚類分析中的特征選擇算法進行總結分類。針對特征和類別之間的關系，引入一種鄰域度量方式，給出了一個度量特征聚類能力的評價指標。
　　(2)針對分類型數(shù)據(jù)，運用新的特征評價指標，結合啟發(fā)式搜索策略，提出了一種特征選擇算法，通過與傳統(tǒng)的聚類分析算