改进的高维相似性度量方法：不等距划分与聚类实验验证

本文主要探讨了在高维空间中，针对现有高维相似性度量方法存在的问题进行改进的研究。传统的高维聚类在面对维度较高的数据时，如经典的欧氏距离等，其有效性会受到挑战，因为点之间的距离对比性减弱，且噪声维的存在可能掩盖了真正相似性的信息。因此，寻求适应高维空间的度量方法是高维聚类研究的关键。 首先，文章介绍了几种已有的重构方法，例如： 1) Hsim( )函数：尽管简化了计算过程，但仅关注各维属性值的绝对差，忽略了相对差异，这可能导致结果的偏差。同时，它没有充分考虑各维数据的分布特性，这在处理复杂数据时可能会失效。 2) Gsim( )函数：这个函数在构建相似度时难以区分同一维上的相似度差异，缺乏对数据分布特性的敏感性。 为了克服这些问题，作者提出了不等距划分的策略，对PIDist(X, Y, kd)相似性度量函数进行改进。这种改进方法考虑了各维数据的相对差异，并通过不等距区间划分更好地保留了数据在不同维上的分布特征。这种方法旨在捕捉更准确的相似性信息，减少噪声维的影响。 实验部分，作者选择UCI提供的heart-statlog和vehicle数据集作为测试平台，通过对比分析不同方法下的聚类效果，验证了所提出的改进高维相似性度量方法的有效性和正确性。实验结果表明，新的度量方法在处理高维数据时，能够更有效地识别出真正相关的特征，从而提高聚类的精度和效率。 本文的研究对于解决高维空间中相似性度量的问题具有重要意义，为高维聚类提供了改进的方法，有助于提升数据分析的准确性和实用性。在未来的研究中，这种方法可能被进一步优化和应用到更多的领域，如大数据挖掘、人工智能和机器学习等。