24、加权聚类集成与抑制模糊C均值算法解析

加权聚类集成与抑制模糊C均值算法解析

在数据聚类领域，为了提高聚类的准确性和效率，研究者们不断探索新的算法和方法。本文将深入介绍两种聚类相关的技术：加权聚类集成使用核共识函数和抑制模糊C均值算法。

加权聚类集成使用核共识函数

在聚类集成中，我们常常需要将多个不同的聚类结果整合为一个共识分区。这就涉及到共识函数的概念。

共识函数

共识函数是一个将给定的分区集合 Զ 映射到单个共识分区 ࣪כ 的函数。在共识过程中，我们要寻找一个能整合聚类集成中各个分区的分区。通过为每个分区 ࣪௜ 关联一个权重 ߣ௜，我们将 ࣪כ 定义为：
[
࣪כ ൌ ܽݎ݃\max_{\mathcal{P} \in \mathcal{Z} x} \sum {i = 1}^{m} \lambda_i \mathcal{H}(\mathcal{P}, \mathcal{P}_i)
]
其中，࣪ 遍历数据 ߯ 的所有可能分区，߁(࣪௜, ࣪) 是两个分区之间的相似度度量。我们的共识函数基于分区之间新核的定义，通过具有特定结构的图来表示每个分区。

用图表示分区

对于每个分区 ࣪，我们定义一个图 ܩ_࣪ = (ܸ, ܧ)，其中 ܸ = {ݒ_ई₁, ݒ_ई₂, …, ݒ_ईₙ}，ݒ_௫ᵢ 是与 ݔᵢ 相关联的节点。在这种图中，当且仅当对象 ݔᵢ 和 ݔⱼ 在分区 ࣪ 中属于同一聚类时，节点 ݒ_௫ᵢ 和 ݒ_௫ⱼ 之间存在一条边。这样，从分区 Զ 得到的所有图中，每个连通分量都是一个完全图。

设 ࣡: Զ → ॳ 是从 Զ 到空间 ॳ（通过对对象 ߯ 进行分区得到的所有图的空