[发明专利]基于聚类分类联合机制的分类器的构建方法以及分类方法

说明书

本发明公开了一种基于聚类分类联合机制的分类器的构建方法以及分类方法，其中的分类器构建方法包括：首先，将聚类中心的分布情况编码至种群个体中，得到初始化种群；然后利用多目标优化算法搜索最优的种群，将其作为满足聚类目标函数和分类目标函数两个目标的帕累托解集；再根据互信息指标从帕累托解集中选择出最优的解，并根据选择出的最优的解，对联合聚类分类机制的分类器的参数进行设置，基于设置的参数构建聚类分类联合机制的分类器。本发明同的方法可以有效地将聚类融合进分类任务中，从而提高分类器的准确度和搜索效率。

技术领域

本发明涉及数据挖掘和大数据技术领域，具体涉及一种基于聚类分类联合机制的分类器的构建方法以及分类方法。

背景技术

在数据挖掘和大数据领域，聚类和分类是两个相互独立的过程。聚类基于无监督学习能够预测样本标签通过挖掘数据的潜在的结构，分类基于有监督学习，能通过关系矩阵来预测未知数据的标签。当分类信息给定的时候，二者可以互相受惠。基于此，模糊关系分类器提出作为串行的聚类分类算法，此后基于效率提高方面的需求，并行的聚类分类算法提出进行分类任务。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

现有技术中，没有一个高效定制化的多目标优化搜索策略应用到并行聚类分类算法里面。并且，当前的聚类目标函数会花费大量的计算时间同时指导效果并不是特别优秀，此外，当前的并行聚类分类算法的框架并不是最优秀的框架。

由此可知，现有技术中存在分类器性能不佳的技术问题。

发明内容

有鉴于此，本发明提供了一种基于聚类分类联合机制的分类器的构建方法以及分类方法，用以解决或者至少部分解决现有技术中存在的分类器的性能不佳的技术问题。

本发明提供了一种基于聚类分类联合机制的分类器的构建方法，包括：

步骤S1：将聚类中心的分布情况编码至种群个体中，得到初始化种群，其中，初始化种群中包括聚类目标函数和分类目标函数；

步骤S2：利用多目标优化算法搜索最优的种群，将其作为满足聚类目标函数和分类目标函数两个目标的帕累托解集；

步骤S3：根据互信息指标从帕累托解集中选择出最优的解，并根据选择出的最优的解，对联合聚类分类机制的分类器的参数进行设置，再基于设置的参数构建聚类分类联合机制的分类器。

在一种实施方式中，步骤S1具体包括：

步骤S1.1：针对多个种群，设定对应的聚类中心分布情况；

步骤S1.2：编码聚类中心分布情况，并将作为决策变量，根据适应度计算公式，计算出对应的聚类目标和分类目标值，并将对应的聚类目标作为聚类目标函数，分类目标值作为分类目标函数，其中，聚类目标函数和分类目标函数的具体形式如式(1)和式(2)所示：

式(1)中，f(x_i)表示分类器预测得到的标签，y_i表示真是标签，δ(f(x_i)，y_i)表示预测标签和真实标签是否一致，一致结果为1，不一致结果为0，N表示测试数据总数量；

式(2)中，nn_ij表示距离样本x_i的最近距离的第j个样本，p(c_k|nn_ij)表示第j个样本属于第k个聚类的条件概率，是一个参数，当nn_ij和x_i同属于聚类k时，为0，否则为1/j；

步骤S1.3：将决策变量、聚类目标函数以及分类目标函数同时封装进种群个体中，多个个体组成初始化种群。