基于阴影集的三支核均值漂移聚类算法

摘要

均值漂移属于硬划分的聚类算法，在处理不确定性数据时可能导致决策风险的提高和聚类精度的降低等问题。为此，本文引入阴影集理论来处理三支聚类的数据对象分类问题，提出了一种基于阴影集的三支核均值漂移聚类算法。算法采用类归属概率来刻画阴影集的隶属度概念。通过优化算法来获得阴影集划分的最优阈值，有效减少了人为干预带来的不确定性。最后基于最优阈值，形成了以阴影集隶属为依据的三支聚类。在2个人工数据集和8个UCI公共数据集上算法进行测试。相较于均值漂移算法、带宽自适应均值漂移算法（Adaptive Bandwidth Mean Shift Algorithm,ABMS）以及核均值漂移算法（Kernel Mean Shift Algorithm,KMS），本文所提出的基于阴影集的三支核均值漂移聚类算法（Three-way Kernel Mean Shift Algorithm Based on Shadow Sets,TKMSSS）不仅可以对数据进行有效划分，而且可以很好地刻画类簇的边界域，在戴维森堡丁指数、轮廓系数、准确率、调整兰德系数、同质性等聚类评价指标方面均达到最优或与最优算法结果相近，表明TKMSSS综合聚类性能优于比较算法。

关键词

阴影集 / 三支聚类 / 类归属概率 / 优化算法 / 类簇