.png){kind=icon}
返回
A robust clustering algorithm based on weighted optimization of fuzzy feature difference using shadow sets
.png){kind=icon}
PRE
AI
DOI：10.1016/j.fss.2025.109575.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
鲁棒性是评估聚类算法性能的关键指标，尤其对其在各类数据集上的稳定性和可靠性。尽管噪声和异常值带来了显著挑战，鲁棒聚类方法在揭示内在数据结构方面表现出韧性。本研究在世纪初的基础工作之上展开，通过战略创新推进鲁棒聚类。我们提出了一种新型算法——基于模糊特征差异加权优化的阴影集鲁棒聚类算法（RWFS）。该算法基于粒计算实现多粒度数据划分，以增强聚类适应性；利用阴影集理论优化边界样本处理，从而强化模糊区域的识别；并通过信息熵评估簇内纯度以优化聚类结构。这三个方面的整合显著提升了算法在复杂数据和噪声环境下的鲁棒性与聚类精度。以修正轮廓系数（MSC）作为内部指标，我们的评估证实RWFS能够揭示受各类噪声影响的潜在数据模式。在10%异常值噪声下，所有基准数据集的平均MSC值为0.2275；在5%簇间噪声下，MSC平均值为0.6037；在10%全局高斯噪声下，MSC平均值为0.4686。鲁棒实验的最高ACC为0.8436。该方法增强了鲁棒性，并有助于更细致地刻画聚类算法中的关系。研究发现凸显了RWFS作为机器学习强大工具的潜力，对数据完整性和可解释性至关重要的应用具有广泛意义。代码已公开在线，地址为https://github.com/yu7bin/RWFS。
Keyword:
robust clustering
shadow set theory
granular computing
fuzzy feature difference
information entropy
