[论文]A Link-Based Cluster Ensemble Approach for Categorical Data Clustering

http://www.cnblogs.com/Azhu/p/4137131.html

这篇论文建议先看了上面这一遍,两篇作者是一样的,方法也一样,这一片论文与上面的不同点在于,使用的数据集是目录数据,即数据不能数字化,例如:

An example of categorical attribute is Sex={fmale,female} or shape= {circle,rectangle. . .}.

论文方法一样,只是处理目录数据不同,获得聚类结果的选择方法如下:

Type I 意思是直接将该目录数据当作聚类的结果。

Creating a Cluster Ensemble:

  ?Type I (Direct ensemble)

  ?Type II (Full-space ensemble)  

?  k-modes

?

  ?Type III (Subspace ensemble)    (and k-modes)

其他方面,跟上面那篇论文是一样的,只有这里这一点不同,所以记录下。

时间: 2024-08-05 23:43:52

[论文]A Link-Based Cluster Ensemble Approach for Categorical Data Clustering的相关文章

【论文阅读-CTR】<<Deep Learning over Multi-filed Categorical Data -A Case Study On User Response Prediction>>阅读

摘要: 用户反馈预估是搜素.推荐.广告的核心问题:其特征都是多域的分类和数值特征,难以利用: 常用的方法是线性模型+人工特征组合来预估: 本文通过FNN(基于FM)和SNN(基于RBM和DAE)来预估. 1.介绍 常用的ctr预估模型: 1)线性模型:LR->NB->FTRLLR->Bayesian probit regression 优点:容易实现:高效学习 缺点:不能学习特征组合,效果较差 2)非线性模型:FM,GBM 优点:自动学习组合特征 缺点:不能充分利用各种特征组合 很多模型

[论文]A Link-Based Approach to the Cluster Ensemble Problem

论文作者:Natthakan Iam-On, Tossapon Boongoen, Simon Garrett, and Chris Price 下次还是在汇报前先写了论文总结,不然有些点汇报时容易忘了说,以前看的论文看补不补上来吧,有时间再说. 前言: 这篇论文是关于聚类集成的,成熟的聚类集成框架是将多个聚类算法的结果汇聚在一起,然后使用一致性函数得出最终的聚类结果,论文中认为这两步中间的操作属于原数据上的操作,比较粗糙,所以提出了一种算法,对汇总后聚类结果进行进一步处理,然后再使用一致性函数

论文阅读 | A Curriculum Domain Adaptation Approach to the Semantic Segmentation of Urban Scenes

paper链接:https://arxiv.org/pdf/1812.09953.pdf code链接:https://github.com/YangZhang4065/AdaptationSeg 摘要: 在过去的5年里面,卷积神经网络在语义分割领域大获全胜,语义分割是许多其他应用的核心任务之一,这其中包括无人驾驶.增强现实.然而,训练一个卷积神经网络需要大量的数据,而对于这些数据的收集和标注是极其困难的.计算机图形学领域的最新研究进展使得利用计算机生成的注释在接近真实照片的合成图像上训练CNN

[论文]Sketch-based 3D model retrieval by viewpoint entropy-based adaptive view clustering

标题:通过基于视点熵的可调整视图聚类的草图3D模型检索 作者:Bo Li,Yijuan Lu,Henry Johan abstract:搜索基于手绘草图的3D模型对于很多应用来说是直观且重要的,例如说基于草图的3D建模和识别.我们提出了通过使用基于视点熵的可调整视图聚类和形状内容匹配的进行基于草图的3D模型检索.不同的模型由不同的视觉复杂度,因此没有必要来对每一个模型固定相同数目的表示视图.由于这个原因,我们提出了使用采样视同集合的分布和基于复杂度值来测量3D模型的视觉复杂度,我们可以动态的决定

{ICIP2014}{收录论文列表}

This article come from HEREARS-L1: Learning Tuesday 10:30–12:30; Oral Session; Room: Leonard de Vinci 10:30  ARS-L1.1—GROUP STRUCTURED DIRTY DICTIONARY LEARNING FOR CLASSIFICATION Yuanming Suo, Minh Dao, Trac Tran, Johns Hopkins University, USA; Hojj

机器学习经典书籍&论文

原文地址:http://blog.sina.com.cn/s/blog_7e5f32ff0102vlgj.html 入门书单 1.<数学之美>PDF6 作者吴军大家都很熟悉.以极为通俗的语言讲述了数学在机器学习和自然语言处理等领域的应用. 2.<Programming Collective Intelligence>(<集体智慧编程>)PDF3 作者Toby Segaran也是<BeautifulData : The Stories Behind Elegant

A Complete Tutorial on Tree Based Modeling from Scratch (in R &amp; Python)

A Complete Tutorial on Tree Based Modeling from Scratch (in R & Python) MACHINE LEARNING PYTHON R SHARE  MANISH SARASWAT, APRIL 12, 2016 / 52 Introduction Tree based learning algorithms are considered to be one of the best and mostly used supervised

机器学习经典论文/survey合集

Active Learning Two Faces of Active Learning, Dasgupta, 2011 Active Learning Literature Survey, Settles, 2010 Applications A Survey of Emerging Approaches to Spam Filtering, Caruana, 2012 Ambient Intelligence: A Survey, Sadri, 2011 A Survey of Online

link privacy between labeled vertics

There  are  two  main  mechnisms  for preserving   link privacy between labeled vertices. The  first  approach  is  to perform  clustering of vertices  and  edges,and  aggregate them into super vertices.in  this  way,information about corresponding s