• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Information Sciences: An International Journal >Feature selection for clustering using instance-based learning by exploring the nearest and farthest neighbors
【24h】

Feature selection for clustering using instance-based learning by exploring the nearest and farthest neighbors

机译：通过探索最近和最远的邻居，使用基于实例的学习进行聚类的特征选择

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

Feature selection for clustering is an active research topic and is used to identify salient features that are helpful for data clustering. While partitioning a dataset into clusters, a data instance and its nearest neighbors will belong to the same cluster, and this instance and its farthest neighbors will belong to different clusters. We propose a new Feature Selection method to identify salient features that are useful for maintaining the instance's Nearest neighbors and Farthest neighbors (referred to here as FSNF). In particular, FSNF uses the mutual information criterion to estimate feature salience by considering maintainability. Experiments on benchmark datasets demonstrate the effectiveness of FSNF within the context of cluster analysis. (C) 2015 Elsevier Inc. All rights reserved.
机译：聚类的特征选择是一个活跃的研究主题，用于识别有助于数据聚类的显着特征。将数据集划分为群集时，数据实例及其最近的邻居将属于同一群集，而该实例及其最远的邻居将属于不同的群集。我们提出了一种新的“特征选择”方法，以识别对维护实例的最近邻居和最远邻居（此处称为FSNF）有用的显着特征。特别是，FSNF通过考虑可维护性，使用互信息准则来估计特征显着性。在基准数据集上进行的实验证明了在聚类分析的背景下FSNF的有效性。 （C）2015 Elsevier Inc.保留所有权利。

著录项

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