資料介紹
針對(duì)既有歷史數(shù)據(jù)又有流特征的全新應(yīng)用場(chǎng)景,提出了一種基于組特征選擇和流特征的在線特征選擇算法。在對(duì)歷史數(shù)據(jù)的組特征選擇階段,為了彌補(bǔ)單一聚類算法的不足,引入聚類集成的思想。先利用k-means方法通過多次聚類得到一個(gè)聚類集體,在集成階段再利用層次聚類算法對(duì)聚類集體進(jìn)行集成得到最終的結(jié)果。在對(duì)流特征數(shù)據(jù)的在線特征選擇階段,對(duì)組構(gòu)造產(chǎn)生的特征組通過探討特征間的相關(guān)性來更新特征組,最終通過組變換獲得特征子集。實(shí)驗(yàn)結(jié)果表明,所提算法能有效應(yīng)對(duì)全新場(chǎng)景下的在線特征選擇問題,并且有很好的分類性能。
- 在線迭代聚類的多傳感器一致性數(shù)據(jù)融合方法 9次下載
- 基于Xie-Beni指數(shù)的選擇性聚類集成算法 8次下載
- 基于特征和實(shí)例遷移的加權(quán)多任務(wù)聚類算法 3次下載
- 一種基于分塊集成的圖像聚類算法 3次下載
- 按照特征分組聚類的異常入侵檢測(cè)系統(tǒng) 2次下載
- 基于成對(duì)學(xué)習(xí)和圖像聚類的肺癌亞型識(shí)別 4次下載
- 一種面向私有二進(jìn)制協(xié)議的報(bào)文聚類方法 9次下載
- 一種改進(jìn)的聚類聯(lián)合相似度推薦算法 10次下載
- 如何使用K-Means聚類算法改進(jìn)的特征加權(quán)算法詳細(xì)資料概述 10次下載
- 基于用戶行為特征的多維度文本聚類 1次下載
- 聚類集成的網(wǎng)絡(luò)流量分類方法 0次下載
- 基于多重特征的雙層Web用戶聚類方法 0次下載
- 特征加權(quán)和優(yōu)化劃分的模糊C均值聚類算法 0次下載
- 基于免疫聚類的神經(jīng)網(wǎng)絡(luò)集成的研究
- 改進(jìn)的模糊聚類特征壓縮及其應(yīng)用
- 通過強(qiáng)化學(xué)習(xí)策略進(jìn)行特征選擇 387次閱讀
- 使用輪廓分?jǐn)?shù)提升時(shí)間序列聚類的表現(xiàn) 587次閱讀
- 如何在 Python 中安裝和使用頂級(jí)聚類算法 613次閱讀
- 代碼實(shí)現(xiàn)密度聚類DBSCAN 718次閱讀
- 10種頂流聚類算法Python實(shí)現(xiàn)(附完整代碼) 1617次閱讀
- 10種聚類介紹和Python代碼 3156次閱讀
- 基于距離的聚類算法K-means的設(shè)計(jì)實(shí)現(xiàn) 2348次閱讀
- 機(jī)器學(xué)習(xí)中的特征選擇的5點(diǎn)詳細(xì)資料概述 7053次閱讀
- Python無監(jiān)督學(xué)習(xí)的幾種聚類算法包括K-Means聚類,分層聚類等詳細(xì)概述 3w次閱讀
- 機(jī)器學(xué)習(xí)中五種常用的聚類算法 3.8w次閱讀
- 淺談Matlab中的聚類分析 Matlab聚類程序的設(shè)計(jì) 7382次閱讀
- 基于密度DBSCAN的聚類算法 2.1w次閱讀
- k means聚類算法實(shí)例 1.5w次閱讀
- 不同特征選擇算法的各自特點(diǎn)及其在微博業(yè)務(wù)應(yīng)用中的演進(jìn)歷程 3564次閱讀
- 機(jī)器學(xué)習(xí)特征選擇常用算法 8562次閱讀
評(píng)論