.png){kind=icon}
返回
Ensemble Clustering based on Meta-Learning and Hyperparameter Optimization
.png){kind=icon}
PRE
AI
DOI：10.14778/3681954.3681970.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效的聚类算法，例如k-Means，在实践中经常被使用，因为它们在大规模数据集上具有良好的可扩展性。然而，它们只能检测简单的数据特征。集成聚类可以通过结合多种高效算法的结果来克服这一局限性。然而，分析师在应用集成聚类时面临几个挑战，即分析师难以（a）高效地生成集成；（b）使用合适的共识函数及其相应的超参数设置来组合集成。在本文中，我们提出了EffEns，一种高效的集成聚类方法来解决这些挑战。我们的方法依赖于元学习来了解数据集特征以及生成的基聚类与共识函数性能之间的相关性。我们将所学知识应用于生成适当的集成，并选择合适的共识函数来组合其结果。此外，我们使用一种最先进的优化技术来调整所选共识函数的超参数。我们在合成和真实世界数据集上的全面评估表明，EffEns在准确性和运行时间方面显著优于当前最先进的方法。
Keyword:
CONSENSUS
SELECTION
NUMBER
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
引用论文
SEP/COP: An efficient method to find the best partition in hierarchical clustering based on a new cluster validity index.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容