21、机器学习与图像检索技术：聚类嵌套二分法与重排序聚合方法

机器学习与图像检索技术：聚类嵌套二分法与重排序聚合方法

在当今的技术领域，机器学习和图像检索是两个备受关注的方向。本文将深入探讨聚类嵌套二分法在分类问题中的应用，以及重排序和排名聚合方法在基于内容的图像检索（CBIR）系统中的创新结合，旨在为相关领域的研究和实践提供有价值的参考。

聚类嵌套二分法的分类应用

在分类问题中，提出了三种非随机构建嵌套二分法的方法，分别是NDC、NDCR和NDCA。这些方法的核心思想是在树的上层分离容易区分的类别，在下层分离较难区分的类别。
- NDC方法 ：通过计算类中心之间的距离对类别进行聚类，以此确定哪些类别更容易分离。
- NDCR方法 ：除了考虑类中心之间的距离外，还考虑每个类别的半径，试图判断类别之间是否存在重叠。
- NDCA方法 ：用类中心与类内所有其他元素之间的平均距离代替每个类别的半径。

为了验证这些方法的有效性，进行了关于单个嵌套二分法和嵌套二分法集成的实验。实验使用了不同的基分类器，包括C4.5、RandomForest、1 - NN、3 - NN和Naive Bayes，并对Bagging、AdaBoost和MultiBoost等集成方法也进行了测试。实验结果如下表所示：
|方法|基分类器|NDC|NDCR|NDCA|ND|ND - DB|ND - CB|
| ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |
|无集成|C4.5|88.81|88.58|88.48|87.22|87.63|88.0