Clustering ensembles

资 源 简 介

Clustering ensembles

详 情 说 明

聚类集成是一种提升聚类结果质量的有效方法，它通过结合多个基础聚类结果来获得更鲁棒、更准确的最终聚类。与分类中的集成学习类似，聚类集成能够减少单一聚类算法对初始化或参数设置的敏感性。

聚类集成通常包含两个主要阶段。第一阶段是生成阶段，通过改变算法、参数、数据子集或特征子集等方式创建多样化的基础聚类结果。第二阶段是共识阶段，使用共识函数将这些基础聚类结果融合成最终的共识聚类。

常见的共识函数包括基于共现矩阵的方法、基于图的方法和基于重标记的方法。这些方法能够处理基础聚类结果之间可能存在的标签不一致问题，并找到数据点之间最一致的聚类关系。

聚类集成的主要优势在于提高了聚类的稳定性和准确性，尤其适合处理高维数据或存在噪声的数据集。它已被成功应用于图像分割、文档聚类和生物信息学等多个领域。