基于度量學習的不完整數據聚類方法研究.pdf

1、隨著互聯網技術的發(fā)展，網絡中產生了越來越多的數據，在數據收集、傳輸以及存儲的過程中經常會出現問題導致數據出現了不完整性。對于收集到的數據人們很關心其內部的特定關系以及含義，因此數據挖掘技術得到了廣泛的應用。聚類分析技術是數據挖掘領域中核心技術之一，然而在面對不完整數據時傳統的聚類分析技術效果并不理想。
　　由于Mahalanobis距離度量函數在處理非線性空間變換以及復雜分布的數據時的不足，針對聚類分析中的距離度量問題，本文給出了

2、基于樹葉子節(jié)點特征表示算法、決策路徑特征表示算法，提出了基于隨機樹結構的度量學習算法。結合樹結構的特點，構造非線性的特征，利用非線性的空間變換擴展數據中的隱含結構信息。利用隨機樹結構的度量學習方法可以很好的降低結構泛化誤差，增加結果的穩(wěn)定性，同時從理論上證明了提出的算法的有效性，并且對比實驗的結果體現了本文提出的度量學習方法具有很好的表現。
　　由于基于協同過濾的處理方法以及基于期望最大化的處理方法在針對數據隨機缺失的情況下的處理

3、能力不足，本文針對不完整數據往往存在數據缺失的問題，提出了基于自動編碼的不完整數據處理算法，算法結合回歸分析的思想對不完整數據進行處理。因為傳統的回歸分析方法需要基于某種特定分布進行預測，并且需要確定輸入的形式。本文提出的基于自動編碼的不完整數據處理算法可以很好的解決數據的隨機缺失情況，并且對于不完整數據的預測和恢復并不需要依賴特定的分布。通過實驗對比可以看到，本文提出的不完整數據處理算法可以很好處理不完整數據的預測與恢復任務。

4、　　在不完整數據進行聚類分析時，單一的聚類方法往往依賴特定的假設，而由于不完整數據的分布的未知性，僅利用單一的聚類方法在實際中效果較差。本文結合不完整數據的特點，利用Graph Laplacian性質生成聚類特征。結合提出的不完整數據處理方法以及基于隨機樹結構的度量學習方法，利用Graph Laplacian的特性在不完整數據進行聚類分析，從理論上證明了算法在處理聚類問題上的有效性，并且通過在UCI數據集上的對比實驗，驗證了本文提出的聚