Enfoque de agrupamiento espectral con vecino más cercano k y distancia de Mahalanobis ponderada para la minería de datos
Autores: Yin, Lifeng; Lv, Lei; Wang, Dingyi; Qu, Yingwei; Chen, Huayue; Deng, Wu
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Enfoque de agrupamiento espectral con vecino más cercano k y distancia de Mahalanobis ponderada para la minería de datos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Propone
Método de agrupamiento espectral
K-means
Distancia Mahalanobis ponderada
Eigenvectores de matriz de Laplaciano
Coeficiente de correlación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 43
Citaciones: Sin citaciones
Este documento propone un método de agrupamiento espectral utilizando k-medias y distancia de Mahalanobis ponderada (denominado MDLSC) para mejorar el grado de correlación entre los puntos de datos y mejorar la precisión del agrupamiento de los eigenvectores de la matriz de Laplaciano.
Descripción
Este documento propone un método de agrupamiento espectral utilizando k-medias y distancia de Mahalanobis ponderada (denominado MDLSC) para mejorar el grado de correlación entre los puntos de datos y mejorar la precisión del agrupamiento de los eigenvectores de la matriz de Laplaciano.