序
前言
符號表
1 概述
1.1 問題描述
1.2 方法進展
1.2.1 經典算法
1.2.2 **算法
1.2.3 多源數據算法
1.3 半監督聚類
1.4 數據類型
1.4.1 屬性數據
1.4.2 離散序列數據
1.4.3 時間序列數據
1.4.4 文本數據
1.4.5 多媒體數據
1.4.6 流數據
1.4.7 各類數據聚類技術彙總
1.5 衍生問題
1.5.1 特征選擇
1.5.2 測度學習
1.5.3 聚類集成
1.5.4 軟聚類
1.5.5 多解聚類
1.5.6 聚類驗證
1.5.7 可視化與交互聚類
1.6 新的挑戰
1.6.1 大數據聚類
1.6.2 多模數據聚類
1.6.3 深度聚類
1.7 結論
參考文獻
2 基於模型的聚類
2.1 混合模型
2.1.1 混合模型簡介
2.1.2 高斯混合模型
2.1.3 伯努利混合模型
2.1.4 混合模型選擇
2.2 期望*大化算法
2.2.1 詹森不等式
2.2.2 期望*大化算法分析
2.2.3 期望*大化算法框架
2.2.4 期望*大化擴展算法
2.3 求解高斯混合模型
2.4 求解伯努利混合模型
參考文獻
3 基於劃分的聚類算法
3.1 劃分方法概述
3.2 k-均值算法
3.2.1 目標函數
3.2.2 算法流程
3.2.3 性能分析
3.2.4 k的選擇
3.2.5 初始中心點選擇
3.3 類k-均值算法
3.3.1 k-中心點算法
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 改進的k-均值算法
3.4.1 改進的k-均值算法概述
3.4.2 基於邊界值的k-均值算法
3.4.3 陰陽k-均值算法
3.4.4 基於塊向量的加速k-均值算法
參考文獻
4 基於密度的聚類算法
4.1 密度算法概述
4.2 DBSCAN算法
4.2.1 基本定義及算法流程
4.2.2 算法分析
4.3 OPTICS算法
4.3.1 基本定義及算法流程
4.3.2 算法分析
4.4 DENCLUE算法
……
5 基於網格的聚類算法
6 層次聚類算法
7 半監督聚類
8 譜聚類
9 基於非負矩陣分解的聚類
10 高維數據聚類
11 圖聚類
12 不確定數據聚類
13 多源相關數據聚類
後記
彩版