基于决策树的网络高维数据软子空间聚类方法研究

摘要：

典型网络高维数据软子空间聚类方法采用软子空间聚类算法,根据目标函数最优解判断聚类是否最优,最优解计算过程容易过度拟合陷入局部最优,导致分类结果精度低.故文中提出基于决策树的网络高维数据软子空间聚类方法,根据信息增益选择决策树节点,在信息增益基础上添加分裂信息项防止决策树节点过度分类,获取不同树节点属性类别划分结果.在此基础上采用后剪枝技术删除含有噪音和干扰属性结点,将包含样本数量最多的分类结果视为网络高维数据软子空间的分类结果.仿真实验结果表明,所提方法聚类分析正确率随着网络高维数据集维数的增加而增加,且随样本数量增加的同时运行时间增长幅度较低,用时较短,是一种应用价值高的网络高维数据软子空间聚类方法.

关键词：聚类方法、软子空间、高维数据、决策树、信息增益、仿真分析

所属期刊栏目：42

分类号：TN711-34;TP311(基本电子电路)

资助基金：国家自然科学基金81804222

在线出版日期：2019-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：81-83,89