.png){kind=icon}
返回
A Multivariate Permutation Cluster Validity Test
.png){kind=icon}
PRE
AI
DOI：10.1002/asmb.70096.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文为聚类分析领域的现有文献做出了贡献，提出了一种新的方法来识别最佳划分，即采用-kmeans聚类算法时的最佳聚类数目。聚类是一种无监督学习技术，旨在构建划分，使得同一聚类内的项目相似，而不同聚类间的项目表现出显著差异。作为一种探索性分析，聚类算法（尤其是非层次聚类算法）的有效性高度依赖于关键决策，例如确定最终划分中的聚类数目。在文献中，有多种聚类有效性指数可用于协助识别最佳划分。然而，这些指数经常产生相互矛盾的推荐，可能无法为研究者和从业者提供清晰的指导。为解决这一差距，引入了多元排列聚类有效性（MPCV）检验，以比较多个聚类性能指标下的划分。该方法综合了广泛使用的聚类指数的信息，包括轮廓系数、邓恩指数、卡林斯基-哈拉巴斯指数和戴维斯-布尔丁指数，旨在实现内部同质性和外部可分性的最佳平衡。本文使用模拟数据和真实数据展示了并讨论了我们的方法，突出了其主要优势。
Keyword:
cluster analysis
multivariate
permutation
ranking
smart data
期刊
A
IF:
1.5
论文数:
66
被引数:
1.3K
机构
引用论文
分享收藏
An extensive comparative study of cluster validity indices聚类有效性指标的广泛比较研究.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容