基于佳点集遗传算法的特征选择方法

针对特征选择中降维效果与分类精度间的矛盾,通过分析传统的特征选择方法中的优点和不足,结合佳点集遗传算法的思想和K最近邻简单有效的分类特性,提出了基于佳点集遗传算法的特征选择方法。该算法对特征子集采用佳点集遗传算法进行随机搜索,并采用K近邻的分类错误率作为评价指标,淘汰不好的特征子集,保存较优的特征子集。通过实验比较看出,该算法可以有效地找出具有较高分类精度的特征子集,降维效果良好,具有较好的特征子集选择能力。

一种基于引力的分层聚类算法

传统的分层聚类算法在聚类过程中，仅使用样本间的距离作为相似度的唯一标准，其描述过于单一。考虑到宇宙中星系的形成过程本质也是一种聚类过程，星系之间吸引力是靠万有引力作用。将万有引力思想引人分层聚类中，提出一种基于引力的层次聚类算法HCBG（Hierarchical Clustering Base Gravity），从样本问的距离和类簇的大小两个方面更加精确地刻厕相似度。把分层聚类的过程看成样本点之间依据“万有引力”自发吸引的过程。采用UCI机器学习数据库的I．ris，Wine和Glass数据集，实验结果表明，提出的HCBG算法的聚类结果比经典的基于距离的层次聚类HC（Hierarchical Clustering）提高5％～10％左右。