三支决策聚类集成：基于投票的区间集方法

本文主要探讨了一种创新的聚类集成方法，该方法专注于将二支决策聚类结果整合成更为精确和稳定的三支决策聚类结果。三支决策，作为一种模仿人类认知和决策过程的理论，其在数据挖掘领域具有广泛的应用前景。研究者胡凌超和于洪，分别作为硕士研究生和博士教授，他们来自重庆邮电大学计算智能重庆市重点实验室，共同致力于提高数据聚类的效率和准确性。 在当前的研究背景下，虽然已经有一些聚类集成技术，但针对将两个独立的二支决策聚类结果融合成一个三支决策聚类结果的方法相对较少。这种集成方法旨在解决单一聚类结果可能存在的不稳定性和局限性，通过结合多个聚类结果，提供了一个更全面的类簇划分，使得分类更加准确且可信。 首先，研究人员采用现有的聚类算法对同一数据集进行处理，产生不同的二支决策聚类结果。接着，他们通过比较和匹配各个聚类成员的类别标签，识别出部分数据点的明确归属，即它们属于哪个类簇。然而，对于剩余的数据点，不能简单地通过单一的二支决策分类，因为这可能无法完全反映数据的复杂性。 因此，他们引入了基于投票的三支决策策略。这个过程涉及对剩余数据进行多次分类，每个分类结果视为一次投票。通过统计每个数据点在不同分类中的出现频率，形成一个区间集来表示最终的聚类结果。区间集的下界代表类簇的正域（包含大部分的数据点），边界代表边界域（可能有争议或模糊的部分），上界则代表类簇的负域（极少或不被归类到的区域）。这种方法不仅考虑了数据点的集中趋势，还考虑到数据的不确定性。 实验结果显示，这种基于三支决策的聚类集成方法在保持与单个聚类结果一致性的同时，显著提高了聚类的稳定性和准确性。通过区间集的表达形式，研究者能够更好地理解和解释聚类结果，从而在实际应用中提高决策支持系统的性能。 关键词：聚类集成，三支决策，区间集，投票。这项研究成果对于数据挖掘和机器学习领域具有重要的理论价值和实践意义，特别是对于那些依赖于大量数据和复杂决策环境的应用，如社交网络分析、市场细分和生物信息学等领域。