混合属性数据的类别关系修正模糊聚类新方法

本文主要探讨了"混合属性对象的类别关系修正的模糊聚类方法"，针对模糊聚类分析在处理混合条件属性数据时所面临的局限性，即在处理不同类型和复杂程度的数据时，聚类效果可能受到影响。作者提出了一种创新的集成策略，旨在提高模糊聚类算法在处理混合数据集上的准确性。 首先，作者采用了熵作为分类条件属性特征参数的类别隶属度表示方法。熵在信息论中是一个量度不确定性或信息不确定性的度量，通过计算不同类别下的信息熵，可以有效地衡量数据对象对各类别的归属度。对于数值条件属性特征参数，作者结合了欧氏距离和熵来表达相似性。欧氏距离衡量的是两个数据对象在各个属性维度上的差异，而熵则进一步考虑了这些差异在类别间的分布情况，形成了一种综合的相似性度量。 接着，文章引入了混合类别模糊度的概念，这是针对混合属性数据中对象可能同时属于多个类别的特性而提出的。混合模糊度反映了数据对象在多个类别中的模糊程度。同时，作者还定义了单个类别的模糊可信度，它衡量了该类别对数据对象的代表性。这两个概念的结合，使得数据对象的类别关联性得到了更全面的刻画。 作者进一步发展出三种类别关系修正的策略，分别是线性、指数和对数变化，这三种修正方式根据不同情况下类别关系的变化趋势进行调整。修正值的生成是基于混合类别模糊度和单个类别模糊可信度的共同作用，以此来修正原始的聚类结果，提高聚类的精度。 实验部分，作者将新提出的类别关系修正模糊聚类方法与已有的多种聚类集成方法进行了对比测试。结果显示，新方法在处理混合条件属性数据时，其聚类性能显著优于传统方法，能够更好地处理数据的复杂性和多样性，展现出优良的稳健性和适应性。 这篇论文主要贡献在于提出了一种融合分类和数值属性的混合条件属性处理方法，通过类别关系修正优化了模糊聚类算法，从而提高了在实际应用中处理混合数据集的能力。这对于大数据时代的数据挖掘和分析具有重要的理论和实践意义。