序
前言
符号表
1 概述
1.1 问题描述
1.2 方法进展
1.2.1 经典算法
1.2.2 高级算法
1.2.3 多源数据算法
1.3 半监督聚类
1.4 数据类型
1.4.1 属性数据
1.4.2 离散序列数据
1.4.3 时间序列数据
1.4.4 文本数据
1.4.5 多媒体数据
1.4.6 流数据
1.4.7 各类数据聚类技术汇总
1.5 衍生问题
1.5.1 特征选择
1.5.2 测度学习
1.5.3 聚类集成
1.5.4 软聚类
1.5.5 多解聚类
1.5.6 聚类验证
1.5.7 可视化与交互聚类
1.6 新的挑战
1.6.1 大数据聚类
1.6.2 多模数据聚类
1.6.3 深度聚类
1.7 结论
参考文献
2 基于模型的聚类
2.1 混合模型
2.1.1 混合模型简介
2.1.2 高斯混合模型
2.1.3 伯努利混合模型
2.1.4 混合模型选择
2.2 期望最大化算法
2.2.1 詹森不等式
2.2.2 期望最大化算法分析
2.2.3 期望最大化算法框架
2.2.4 期望最大化扩展算法
2.3 求解高斯混合模型
2.4 求解伯努利混合模型
参考文献
3 基于划分的聚类算法
3.1 划分方法概述
3.2 k-均值算法
3.2.1 目标函数
3.2.2 算法流程
3.2.3 性能分析
3.2.4 k的选择
3.2.5 初始中心点选择
3.3 类k-均值算法
3.3.1 k-中心点算法
3.3.2 k-中值算法
3.3.3 k-modes算法
3.3.4 模糊k-均值算法
3.3.5 核k-均值算法
3.3.6 二分k-均值算法
3.4 改进的k-均值算法
3.4.1 改进的k-均值算法概述
3.4.2 基于边界值的k-均值算法
3.4.3 阴阳k-均值算法
3.4.4 基于块向量的加速k-均值算法
参考文献
4 基于密度的聚类算法
4.1 密度算法概述
4.2 DBSCAN算法
4.2.1 基本定义及算法流程
4.2.2 算法分析
4.3 OPTICS算法
4.3.1 基本定义及算法流程
4.3.2 算法分析
4.4 DENCLUE算法
……
5 基于网格的聚类算法
6 层次聚类算法
7 半监督聚类
8 谱聚类
9 基于非负矩阵分解的聚类
10 高维数据聚类
11 图聚类
12 不确定数据聚类
13 多源相关数据聚类
后记
彩版
· · · · · · (收起)