机器学习层谱聚类综述

机器学习层谱聚类综述
王少将;刘佳;郑锋;潘祎诚
【期刊名称】《计算机科学》
【年(卷),期】2023(50)1
【摘要】聚类分析在机器学习、数据挖掘、生物DNA信息等方面都起着极为关
键的作用。

聚类算法从方法学上可分为扁平聚类和层谱聚类。

扁平聚类通常将数据集分为K个并行社区,社区之间没有交集,但现实世界的社区之间多具有不同层次之间的包含关系,因而层谱聚类算法能对数据进行更精细的分析,提供更好的可解释性。

而相比扁平聚类,层谱聚类研究进展缓慢。

针对层谱聚类面临的问题,从对代价函数
的选择、聚类结果衡量指标、聚类算法性能等方面入手,调研了大量的相关文献。

其中聚类结果衡量指标主要有模块度、Jaccard指数、标准化互信息、树状图纯度等。

扁平聚类算法中比较经典的算法有K-means算法、标签传播算法、DBSCAN 算法、谱聚类算法等。

层谱聚类算法可以进一步划分为分裂聚类算法和凝聚聚类算法,分裂层谱聚类算法有二分K-means算法和递归稀疏割算法,凝聚层谱聚类算法
有经典的Louvain算法、BIRCH算法和近年来提出的HLP算法、PERCH算法及GRINCH算法。

最后,进一步分析了这些算法的优缺点,并总结全文。

【总页数】9页(P9-17)
【作者】王少将;刘佳;郑锋;潘祎诚
【作者单位】华北计算技术研究所;空军工程大学基础部;北京航空航天大学计算机
学院
【正文语种】中文
【中图分类】TP181
【相关文献】
1.机器学习中谱聚类方法的研究
2.谱聚类算法及其应用综述
3.基于信息熵-模糊谱聚类的非均质碎屑岩储层孔隙结构分类
4.谱聚类算法及其应用综述
5.谱聚类算法研究综述
因版权原因，仅展示原文概要，查看原文内容请购买。