数据聚类2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

数据聚类PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1 概述1

1.1 问题描述1

1.2 方法进展2

1.2.1 经典算法3

1.2.2 高级算法4

1.2.3 多源数据算法5

1.3 半监督聚类6

1.4 数据类型7

1.4.1 属性数据7

1.4.2 离散序列数据10

1.4.3 时间序列数据11

1.4.4 文本数据12

1.4.5 多媒体数据14

1.4.6 流数据15

1.4.7 各类数据聚类技术汇总16

1.5 衍生问题17

1.5.1 特征选择17

1.5.2 测度学习18

1.5.3 聚类集成18

1.5.4 软聚类18

1.5.5 多解聚类18

1.5.6 聚类验证18

1.5.7 可视化与交互聚类19

1.6 新的挑战19

1.6.1 大数据聚类19

1.6.2 多模数据聚类19

1.6.3 深度聚类19

1.7 结论19

参考文献20

2 基于模型的聚类24

2.1 混合模型24

2.1.1 混合模型简介24

2.1.2 高斯混合模型26

2.1.3 伯努利混合模型27

2.1.4 混合模型选择28

2.2 期望最大化算法29

2.2.1 詹森不等式29

2.2.2 期望最大化算法分析30

2.2.3 期望最大化算法框架32

2.2.4 期望最大化扩展算法32

2.3 求解高斯混合模型33

2.4 求解伯努利混合模型34

参考文献35

3 基于划分的聚类算法37

3.1 划分方法概述37

3.2 k-均值算法38

3.2.1 目标函数38

3.2.2 算法流程40

3.2.3 性能分析42

3.2.4 k的选择42

3.2.5 初始中心点选择44

3.3 类k-均值算法46

3.3.1 k-中心点算法46

3.3.2 k-中值算法49

3.3.3 k-modes算法50

3.3.4 模糊k-均值算法51

3.3.5 核k-均值算法52

3.3.6 二分k-均值算法53

3.4 改进的k-均值算法54

3.4.1 改进的k-均值算法概述54

3.4.2 基于边界值的k-均值算法54

3.4.3 阴阳k-均值算法58

3.4.4 基于块向量的加速k-均值算法62

参考文献66

4 基于密度的聚类算法68

4.1 密度算法概述68

4.2 DBSCAN算法69

4.2.1 基本定义及算法流程69

4.2.2 算法分析71

4.3 OPTICS算法73

4.3.1 基本定义及算法流程73

4.3.2 算法分析77

4.4 DENCLUE算法77

4.4.1 基本定义及算法流程77

4.4.2 算法分析79

4.5 DBSCAN、OPTICS、DENCLUE算法对比81

4.6 其他算法81

4.6.1 基于网格的聚类算法81

4.6.2 基于共享最近邻的聚类算法83

4.6.3 基于密度的不确定数据聚类算法84

4.6.4 基于密度峰值的聚类算法84

4.7 总结86

参考文献86

5 基于网格的聚类算法88

5.1 网格算法概述88

5.2 传统算法90

5.2.1 GRIDCLUS算法90

5.2.2 BANG算法92

5.2.3 STING算法93

5.3 自适应算法95

5.4 轴平移算法96

5.4.1 NSGC算法97

5.4.2 ASGC算法98

5.4.3 GDILC算法99

参考文献99

6 层次聚类算法101

6.1 层次算法概述101

6.2 聚合方法102

6.2.1 Single-link方法104

6.2.2 Complete link方法106

6.2.3 簇均值方法107

6.2.4 带权重的簇均值方法108

6.2.5 质心方法109

6.2.6 中间值方法112

6.2.7 Ward方法113

6.3 分裂方法117

6.4 几种经典层次聚类算法117

6.4.1 SLINK算法117

6.4.2 CLINK算法119

6.4.3 CURE算法121

6.4.4 ROCK算法122

6.4.5 BIRCH算法124

6.4.6 Chameleon算法125

6.4.7 DIANA算法127

6.4.8 DISMEA算法128

6.5 最新算法129

6.5.1 贝叶斯层次聚类129

6.5.2 互信息聚类131

6.5.3 快速聚合层次聚类132

参考文献134

7 半监督聚类136

7.1 约束信息136

7.1.1 标签约束137

7.1.2 成对约束137

7.2 约束满足最大化138

7.2.1 基于标签约束的算法138

7.2.2 基于成对约束的算法140

7.2.3 基于复杂约束的算法141

7.3 半监督测度学习142

7.4 混合方法145

7.5 约束传播146

7.5.1 标签约束传播147

7.5.2 成对约束传播149

7.6 主动学习153

7.6.1 基于最远优先遍历策略的算法153

7.6.2 改进的最远优先遍历策略算法154

7.6.3 边界判定法155

参考文献155

8 谱聚类157

8.1 谱聚类概述157

8.2 谱聚类算法158

8.2.1 非正则化的拉普拉斯矩阵158

8.2.2 正则化的拉普拉斯矩阵159

8.2.3 经典的谱聚类算法160

8.2.4 谱聚类与图划分162

8.2.5 谱聚类与随机游走165

8.2.6 谱聚类相关问题168

8.3 谱聚类图构造170

8.3.1 ε-邻居法170

8.3.2 k-最近邻法170

8.3.3 完全连通法171

8.4 大规模谱聚类175

8.4.1 Nystr？m扩展175

8.4.2 Nystr？m扩展与谱聚类176

8.4.3 一次性抽样177

8.4.4 增量抽样178

8.5 半监督谱聚类181

8.5.1 修改目标函数182

8.5.2 约束信息的传播184

8.5.3 核学习184

参考文献187

9 基于非负矩阵分解的聚类190

9.1 非负矩阵分解190

9.1.1 非负矩阵分解简介190

9.1.2 基本非负矩阵分解方法191

9.1.3 非负矩阵分解优化方法191

9.1.4 非负矩阵分解扩展方法193

9.1.5 非负矩阵分解方法的优势196

9.1.6 非负矩阵分解方法的挑战196

9.1.7 非负矩阵分解方法的应用197

9.2 非负矩阵分解和k-均值算法198

9.2.1 非负矩阵分解与k-均值算法的关系198

9.2.2 正交非负矩阵分解和k-均值算法的等价性证明198

9.2.3 正交非负矩阵分解聚类199

9.2.4 正交非负矩阵三分解方法200

9.3 对称非负矩阵分解和谱聚类201

9.3.1 对称非负矩阵分解概述201

9.3.2 正交对称非负矩阵分解和谱聚类的等价性证明202

9.3.3 正交对称非负矩阵分解聚类202

9.4 联合聚类204

9.4.1 基于二分图的联合聚类204

9.4.2 基于信息论的联合聚类204

9.4.3 基于非负矩阵三分解的联合聚类205

9.5 半监督非负矩阵分解206

9.5.1 半监督非负矩阵分解框架206

9.5.2 基本非负矩阵分解的半监督方法206

9.5.3 对称非负矩阵分解的半监督方法211

参考文献213

10 高维数据聚类216

10.1 高维数据的挑战216

10.1.1 维度灾难216

10.1.2 高维数据分析方法219

10.2 无监督降维方法219

10.2.1 特征选择221

10.2.2 线性特征提取222

10.2.3 非线性特征提取228

10.3 子空间聚类233

10.4 轴平行子空间聚类235

10.4.1 子空间搜索策略235

10.4.2 投影子空间聚类236

10.4.3 软投影子空间聚类238

10.4.4 子空间枚举聚类241

10.4.5 混合方法243

10.4.6 半监督子空间聚类算法243

10.5 基于模式的子空间聚类249

10.5.1 联合聚类概念250

10.5.2 簇搜索策略251

10.6 任意方向子空间聚类算法254

10.6.1 基本原理254

10.6.2 关联聚类算法256

参考文献257

11 图聚类261

11.1 图聚类总论261

11.2 图聚类基本理论263

11.3 簇的识别方法265

11.3.1 基于顶点相似度265

11.3.2 基于局部关系266

11.4 图划分算法268

11.4.1 局部划分268

11.4.2 全局划分270

11.5 分裂方法271

11.5.1 GN算法271

11.5.2 模拟电路273

11.5.3 基于信息中心度的算法274

11.5.4 基于聚集系数的算法274

11.6 基于模块的方法275

11.6.1 基于模块的方法概述275

11.6.2 模块度最优化275

11.6.3 模块度的局限性278

参考文献280

12 不确定数据聚类282

12.1 不确定数据聚类概述282

12.2 基于密度的不确定数据聚类284

12.2.1 FDBSCAN算法284

12.2.2 FOPTICS算法287

12.2.3 PDBSCAN算法和PDBSCANi算法290

12.2.4 总结296

12.3 基于划分的不确定数据聚类296

12.3.1 UK-means算法296

12.3.2 UK-means改进算法297

12.3.3 CK-means算法299

12.3.4 UK-medoids算法300

12.3.5 MMVar算法301

12.3.6 UCPC算法303

12.3.7 总结306

12.4 基于层次的不确定数据聚类306

12.5 基于可能世界模型的不确定数据聚类309

12.6 表征不确定数据聚类算法310

12.6.1 不确定数据、不确定数据库、聚类算法的泛化定义310

12.6.2 聚类可能世界311

12.6.3 表征聚类311

12.6.4 表征聚类的步骤313

12.6.5 表征不确定数据聚类与基于可能世界模型的不确定数据聚类314

12.7 基于概率分布相似度的不确定数据聚类314

12.8 其他算法317

12.8.1 不确定数据子空间聚类算法317

12.8.2 不确定数据流聚类算法319

12.8.3 不确定图聚类算法321

12.9 总结321

参考文献322

13 多源相关数据聚类324

13.1 多视角聚类324

13.1.1 多视角聚类概述324

13.1.2 基于期望最大化的多视角聚类325

13.1.3 基于谱聚类的多视角聚类326

13.1.4 基于非负矩阵分解的多视角聚类331

13.1.5 数据部分对应和数据不对应的多视角聚类338

13.1.6 其他算法344

13.2 多任务聚类344

13.2.1 基于共享空间学习的多任务聚类345

13.2.2 多任务布莱格曼散度聚类349

13.2.3 基于非负矩阵分解的多任务联合聚类356

13.2.4 基于压缩差异性度量的多任务聚类359

13.2.5 基于约束对称非负矩阵分解的多任务聚类361

13.2.6 凸判别多任务聚类364

13.2.7 自适应多任务聚类368

13.3 多任务多视角聚类371

13.3.1 多任务多视角聚类框架371

13.3.2 多任务多视角聚类算法372

13.4 迁移聚类375

13.4.1 自学习聚类375

13.4.2 迁移谱聚类377

13.5 多模聚类379

13.5.1 一致等周高阶多模聚类379

13.5.2 约束驱动多模聚类381

参考文献385

后记389