一种基于模态逻辑的聚类结果评价方法

摘要：

聚类评价指标对衡量一个聚类的优劣有着重要作用.现有的聚类评价指标通常都基于统计理论或模糊理论.收到基础理论的限制,在一些特殊场合,这些指标不能对聚类进行正确的评估.提出了一种基于模态逻辑的新的聚类评价指标.通过把相似性定义成数据集上的二元关系聚类被描述成Kripke结构.用原子公式表示每个簇后,聚类的结果可以用一组逻辑公式来表示.根据最小描述长度原则,聚类评价指标由这种表示方式的准确性和复杂性构成.由于这种新的评价指标对相似性没有任何附加的限制,它较之现有的评价指标更为通用,而那些指标往往都默认了某种相似性度量方式.列举了用于对比新旧指标的实验.实验结果表明,这种新的评价指标在一般情况下与大多数评价指标一致,而在一些类似"双环"的特殊情况下比现有评价方式更有效.

关键词：数据挖掘、机器学习、聚类、聚类评价、模态逻辑

所属期刊栏目：45

分类号：TP18(自动化基础理论)

资助基金：国家"八六三"高技术研究发展计划重大基金项目2006AA12A106

在线出版日期：2008-11-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1477-1485