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

基金资助

国家自然科学基金项目(12471442;12001422;61976244;12171388); 陕西省自然科学基础研究计划项目(2023-JC-YB-027); 教育部人文社会科学研究一般项目(23JSQ047); 陕西数理基础科学研究项目(23JSQ047); 陕西省教育厅高校青年创新团队项目(23JP130)