Ensemble Generation Methods and Cluster Ensemble Selection with Constraints

摘要

聚类融合首先生成一个包含多个不同聚类成员的聚类成员集，然后将其合并为一个更准确的共识分区。学者们普遍认为对于优质的聚类融合，其聚类成员应彼此不同，同时每个聚类成员的质量也应维持在一个可接受的水平。许多算法可用于生成不同的基聚类划分。与分类集成相似，诸多研究关注不同聚类成员的生成过程，例如对不同数据子集进行聚类（随机抽样）以及对不同特征子集进行聚类（随机投影）。然而，很少有研究关注这两种不同的抽样方法在质量和差异性上的性能比较。在本文中，我们提出了一种基于随机抽样的聚类成员生成新方法，通过寻找最近邻样本的方式来填补抽样时缺失样本的类别信息（简称为RS-NN）。我们通过与基于传统K-means的聚...