[发明专利]基于聚类和匈牙利算法的数据分类方法

说明书

技术领域

本发明属于数据分类技术领域，具体涉及一种基于聚类和匈牙利算法的数据分类方法。

背景技术

对样本分析时，经常是部分样本的类别已知，已知类别的样本并不很多，而且，可能有背景噪音不属于任何类别。

因此，对于该类问题，如果使用分类算法，不能生成可信赖的分类器，即：产生的分类器可能偏差较大，又不能把无未标注的类分出来；如果用聚类算法，又忽视了已标注样本的参考价值；而且，聚类算法也无法解决对背景噪音的处理分类问题。比较接近的方法为部分半监督学习算法，目前主要有两种：第一种，从已标注和未标注样本中进行学习；第二种，从正例和未标注样本中学习。对于第一种，要求已标注的类别全部有标注样本，局限性较大。而对于第二种，是对正例与反例的二分类算法，无法解决部分类进行了标注、部分类未标注的情况；也不能解决有背景噪音的情况。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于聚类和匈牙利算法的数据分类方法，能够准确简单的对数据进行分类，且分类结果精确。

本发明采用的技术方案如下：

本发明提供一种基于聚类和匈牙利算法的数据分类方法，包括以下步骤：

S1，读取原始样本集{X₁、X₂...X_N}；

原始样本集{X₁、X₂...X_N}包括已知分类样本子集{X₁、X₂...X_n}和未知分类样本子集{X_n+1、X_n+2...X_N}；其中，已知分类样本子集{X₁、X₂...X_n}中各个样本所属类别Y_i分别为Y₁、Y₂...Y_n；已知分类样本子集中已知类别个数为L；

未知分类样本子集{X_n+1、X_n+2...X_N}中未知类别个数为C；

S2，将原始样本集{X₁、X₂...X_N}中所有样本视为无分类样本，对原始样本集中的所有样本采用聚类方法进行首次聚类，得到L+C个类别；

S3，将L个已知类别通过匈牙利算法指派到L+C个类别中的L个类别，将首次聚类得到的类别与已知类别对应上；

S4，将已知分类样本子集{X₁、X₂...X_n}中各个样本划分到其归属的类中，然后保持已知分类样本子集{X₁、X₂...X_n}中各个样本所属类不变，再次聚类，使用目标函数迭代未标注的样本，使未标注的样本分到某个类别或视为背景噪音。

优选的，S2中，所述聚类方法为KMeans聚类方法或分层聚类方法。

优选的，S4中，再次聚类时所采用的聚类方法为KMeans聚类方法或分层聚类方法。

优选的，S4中，使用目标函数迭代未标注的样本，使未标注的样本分到某个类别或视为背景噪音，具体为：

使用目标函数迭代未标注的样本，通过目标函数是否达到极值识别背景噪音；当本次迭代结果与上次迭代结果不再发生变化时，或目标函数不再发生变化时，结束分类。

优选的，所述目标函数设定为：类间分散度*类内聚合度*识别率。

优选的，所述类间分散度用间平均距离、类间均方距离、类间最小距离或类间最大距离表示。

优选的，所述类内聚合度用类内平均距离、类内均方距离或类内最大距离表示。

优选的，所述识别率表达式为：类别个数/总样本个数。

本发明的有益效果如下：

本发明提供一种基于聚类和匈牙利算法的数据分类方法，适用于以下情况：部分样本的分类已知，已知分类的样本点不需很多，可以有部分未知分类即该类尚无标注的样本点，而且可以有背景噪音即噪音点不属于任何类；能够准确简单的对数据进行分类，且分类结果精确。

附图说明

图1为本发明提供的基于聚类和匈牙利算法的数据分类方法流程示意图；

图2为实施例二中原始样本集显示图；

图3为实施例二中样本期望分类显示图；