大规模混合数据抽样聚类集成算法优化

本文主要探讨了在大规模混合数据聚类领域的一项创新性研究，即"一种基于抽样的大规模混合数据聚类集成算法"。在当前的聚类分析中，混合数据聚类是一个关键挑战，因为它涉及不同类型的数据，如数值型、类别型和字符串型等，这使得传统的聚类方法在处理大规模数据时效率低下。作者针对这一问题，提出了一个新的抽样策略，旨在提高算法在处理大量样本时的性能。 在新设计的抽样策略的基础上，作者构建了一种集成算法，该算法首先对通过抽样策略得到的多个样本子集进行独立的聚类操作。这些子集的聚类结果会被整合，形成最终的聚类解决方案。这样做的目的是减少计算复杂性，提高整体的聚类效率。通过与改进的K-prototypes算法进行比较，研究结果显示，该新算法在保持聚类有效性指标基本不变的前提下，具有显著的效率提升。 此外，该研究还得到了国家自然科学基金项目的资金支持，以及山西省回国留学人员科研资助项目的支持，分别聚焦于"用户行为数据稀疏表示的理论与方法研究"和"基于多粒度与变粒度的群决策方法研究"。研究团队由庞天杰硕士和梁吉业教授组成，他们分别在数据挖掘与机器学习领域有深入研究，庞天杰担任讲师，梁吉业则为教授和博士生导师。 这项研究的核心贡献在于提出了一种针对大规模混合数据的高效聚类集成算法，它不仅提高了处理速度，还能保持良好的聚类效果，这对于处理现实世界中的大型复杂数据集具有重要意义。关键词包括聚类、大规模混合数据、聚类集成、抽样和有效性指标，这些都是理解论文核心内容的关键术语。