基于Lasso惩罚的稀疏K-均值聚类算法S-KM1与S-KM2的提出及其性能评估

《Electronics》:Sparse k-Means Clustering with Lasso-Based Feature Selection

【字体: 大 中 小 】 时间:2026年09月27日 来源:Electronics 2.9

编辑推荐:

   摘要

  

摘要

当无关或弱信息特征掩盖了潜在的聚类结构时,对高维数据进行聚类是一个极具挑战性的问题。为解决这一问题,我们提出了两种稀疏k-均值聚类算法,即S-KM1和S-KM2,它们通过稀疏特征加权同时进行聚类估计和特征选择。聚类已被广泛应用于多个学科领域,包括图像分割、社会网络分析、医学影像、市场细分和异常检测等。在聚类算法中,最流行且最广泛使用的方法是k-均值。然而,k-均值算法始终将数据集中的特征(属性)分量视为同等重要。实际上,不同特征对聚类结构的贡献可能并不相等,因此不应一律赋予相同的权重。Yang和Benjamin(2023)利用Lasso概念提出了两类稀疏可能性c-均值(PCM)方法,即SPCM1和SPCM2,对此进行了论证。受SPCM1和SPCM2的启发,本文提出了两种稀疏k-均值聚类算法,即S-KM1和S-KM2。所提出的S-KM1和S-KM2方法基于Lasso和L1惩罚,在k-均值聚类中对不同特征权重施加不同的约束,从而使无关特征向零收缩,实现特征的稀疏性。我们将所提出的S-KM1和S-KM2与几种主流的稀疏聚类技术,在多个数值数据集和现实数据集上进行了比较,并采用了不同的聚类性能度量指标。比较和实验结果验证了所提出的S-KM1和S-KM2聚类算法的有效性、功效和效能,并且它们还超越了现有先进算法在效率和实用性方面的表现。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号