一种改进的K-Modes聚类算法OA北大核心CSTPCD
An improved K-Modes clustering algorithm
传统的K⁃Modes算法采用0⁃1简单匹配方法计算对象与类中心（Modes）之间的距离，并将每个对象分配到离它最近的类中去。采用基于频率方法重新计算各类的类中心（Modes）、定义目标函数，然而，对象的归类方法和目标函数的定义没有充分考虑分类数据的特点。对此，提出一种改进的K⁃Modes算法，采用期望熵最小的衡量方法进行归类，并且采用期望熵作为新的目标函数。通过实验将该算法与传统的K⁃Modes算法进行比较，表明该算法是更有效的。
The simple matching dissimilarity measure is used in the traditional K⁃Modes algorithm to calculate the distance between an object and cluster center,allocate each object to the nearest cluster,recalculate the cluster center of each cluster by means of the method based on frequency and define the objective function. However,the classification method for each data point and the definition of objective function don’t consider the characteristics of categorical…查看全部>>
石隽锋;白妙青
山西大学 计算中心，山西 太原 030006山西大学 计算中心，山西 太原 030006
信息技术与安全科学
分类型数据聚类算法期望熵目标函数聚类精度
categorical dataclustering algorithmexpected entropyobjective functionclustering accuracy
《现代电子技术》 2015 (4)
39-41,45,4
云计算在山西农业生产信息化中的应用研究（2014041038-2）
评论