【摘要】：相似性度量是聚類分析的重要基礎,如何有效衡量類屬型符號間的相似性是相似性度量的一個難點.文中根據(jù)離散符號的核概率密度衡量符號間的相似性,與傳統(tǒng)的簡單符號匹配及符號頻度估計方法不同,該相似性度量在核函數(shù)帶寬的作用下,不再依賴同一屬性上符號間獨立性假設.隨后建立類屬型數(shù)據(jù)的貝葉斯聚類模型,定義基于似然的類屬型對象-簇間相似性度量,給出基于模型的聚類算法.采用留一估計和最大似然估計,提出3種求解方法在聚類過程中動態(tài)確定最優(yōu)的核帶寬.實驗表明,相比使用特征加權或簡單匹配距離的聚類算法,文中算法可以獲得更高的聚類精度,估計的核函數(shù)帶寬在重要特征識別等應用中具有實際意義.
【圖文】：

?］為帶寬，Xd為對應簇ck屬性d的離散隨機變量．符號xd的概率密度可以使用如下核密度估計:^p(xd;bkd)=1nk∑y∈ckκ(xdyd;bkd)=bkdmd+(1－bkd)fk(xd)，(3)其中fk(xd)=1nk∑y∈ckI(xd=yd)，(4)為符號xd在ck第d個屬性上的頻度估計．由于核函數(shù)實質(zhì)上是一種相似性度量［12，，18］，只要給定恰當?shù)膸�，符�?包括不同符號和相同符號)間的相似性可以通過KDE計算．使用KDE估計離散符號概率密度的實例如圖1所示，帶寬值體現(xiàn)各符號概率分布的平滑程度．圖1核密度估計的例子Fig．1Exampleforkerneldensityestimation由式(2)可知，當帶寬bkd≠0，對于2個不同的符號s≠s'，有κ(ss';bkd)＞0，這個特點是傳統(tǒng)“非此即彼”型符號匹配方法［4，8－9］不具備的．在這個度量中，符號間的距離不再依賴于符號的簡單匹配，而是根據(jù)它們(視為離散隨機變量Xd的觀測值)概率密度的差異以衡量．式(2)還表明，這實際上是一種條件概率，由此定義的距離度量不受符號間獨立假設的限制，但取決于帶寬bkd的值．如何在數(shù)據(jù)驅(qū)動方式下估計最優(yōu)核函數(shù)帶寬是現(xiàn)階段研究和應用KDE的難點問題［14，16－17］．如式(3)所示，核密度估計器需滿足漸進性質(zhì)［14，16］，當nk→!時^p(xd;bkd)應為p(xdk)的一致估計(ConsistentEstimator)．使用式(2)等核函數(shù)時，該性質(zhì)要求nk→!時bkd→0，^p(xd;bkd)退化為頻度估計，根據(jù)大數(shù)定理，該估計為p(xdk)的一致估計．2核密度估計的類屬型數(shù)據(jù)聚類2．1聚類模型及其優(yōu)化基于概率模型的聚類算法以最大化樣本(相對于其所在簇)的似然

閂嘀蠆話閂噌舳

本文編號：2570758