基于Tanimoto系数和类内散度的分层分类方法

摘要

在大数据时代，数据的类别标签数量激增，对现有的分类方法构成了重大挑战。为解决此问题，利用类别间的相似性，将数据类别标签以层次化方式处理。但现有的类别间相似性度量均使用欧氏距离，由于欧氏距离无法有效处理高维数据，因此，受Tanimoto系数启发，提出一种新的类别相似性度量方法，使用Louvain算法构建树结构(TaniVT),考虑数据分布，设计基于类内散度的模糊粗糙分层分类器(fuzzy rough hierarchical classifier based on intra-class divergence, IDFRHC),将所提方法与已有的方法进行比较，通过实验验证了所提方法的有效性。

关键词

Tanimoto系数 / Louvain算法 / 树结构 / 类内散度