• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Global Optimization >Self-learning K -means clustering: a global optimization approach
【24h】

Self-learning K -means clustering: a global optimization approach

机译：自学习K均值聚类：全局优化方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

An appropriate distance is an essential ingredient in various real-world learning tasks. Distance metric learning proposes to study a metric, which is capable of reflecting the data configuration much better in comparison with the commonly used methods. We offer an algorithm for simultaneous learning the Mahalanobis like distance and K-means clustering aiming to incorporate data rescaling and clustering so that the data separability grows iteratively in the rescaled space with its sequential clustering. At each step of the algorithm execution, a global optimization problem is resolved in order to minimize the cluster distortions resting upon the current cluster configuration. The obtained weight matrix can also be used as a cluster validation characteristic. Namely, closeness of such matrices learned during a sample process can indicate the clusters readiness; i.e. estimates the true number of clusters. Numerical experiments performed on synthetic and on real datasets verify the high reliability of the proposed method.
机译：适当的距离是各种实际学习任务中的基本要素。距离度量学习建议研究一种度量，与常用方法相比，该度量能够更好地反映数据配置。我们提供了一种用于同时学习Mahalanobis像距离和K-means聚类的算法，旨在结合数据重新缩放和聚类，以便数据可分离性在其顺序聚类后的重新缩放空间中不断增长。在算法执行的每个步骤中，都会解决一个全局优化问题，以最大程度地减少基于当前集群配置的集群失真。所获得的权重矩阵也可以用作聚类验证特征。就是说，在采样过程中学习到的此类矩阵的紧密度可以表明群集已准备就绪；即估算群集的真实数量。在合成数据集和真实数据集上进行的数值实验证明了该方法的高可靠性。

著录项

  • 来源
    《Journal of Global Optimization》 |2013年第2期|219-232|共14页
  • 作者

    Z. Volkovich; D. Toledano-Kitai; G.-W. Weber;

  • 作者单位

    Ort Braude College of Engineering, Karmiel 21982, Israel;

    Ort Braude College of Engineering, Karmiel 21982, Israel;

    Institute of Applied Mathematics, Middle East Technical University, Ankara 06531, Turkey,University of Siegen, Siegen, Germany,University of Aveiro, Aveiro, Portugal,Universiti Teknologi Malaysia, Skudai, Malaysia;

  • 收录信息
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

    First keyword; Second keyword; More;

    机译：第一个关键字;第二个关键字;更多;

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号