50、聚类与成本敏感学习技术解析

聚类与成本敏感学习技术解析

1. 相关聚类技术

1.1 k - means 聚类算法应用

k - means 聚类算法是最常用的聚类技术之一。Wagstaff 等人将约束条件融入到一个被广泛引用的 k - means 变体 COP - KMEANS 中，并将该算法应用于基于输入 GPS 数据识别交通车道的任务。

1.2 约束聚类框架

在约束聚类框架中，约束条件通常被假定为一致（无矛盾）且严格的。除了常见的必须链接和不能链接约束外，Davidson 和 Ravi（2005）还增加了对特定聚类中各点之间距离的约束条件。他们分析了针对不同约束类型，确定一组约束条件可行性问题的计算可行性。其约束 k - means 算法被用于帮助机器人在场景中发现物体。

1.3 相关聚类算法总结

算法名称	应用场景	特点
COP - KMEANS	基于 GPS 数据识别交通车道	融入约束条件的 k - means 变体
Davidson 和 Ravi 的约束 k - means 算法	帮助机器人在场景中发现物体	增加距离约束，分析约束可行性

2. 成本敏感学习

2.1 定义与背景