31、重叠聚类与垃圾邮件过滤的三分类决策方法

重叠聚类与垃圾邮件过滤的三分类决策方法

1. 重叠聚类的三分类决策方法

在许多实际应用场景中，如网络结构分析、无线传感器网络和生物信息领域，一个对象往往会同时属于多个聚类，这就导致聚类边界必然会出现重叠的情况。为了解决这类重叠聚类问题，提出了一种基于决策理论粗糙集模型的三分类决策策略。

在一些数据集中，不同决策属性下的对象数量分布有所不同。例如，在某些数据里，有部分对象属于决策属性‘5’，36 个对象属于决策属性‘6’，6 个对象属于‘7’，5 个对象属于‘8’，4 个对象属于‘9’。而 Poker2 数据集包含来自 Poker - hand - training - true 的 1188 个对象，其中 403 个对象属于决策属性‘0’，568 个对象属于‘1’，165 个对象属于‘3’，36 个对象属于‘6’，6 个对象属于‘7’，5 个对象属于‘8’，4 个对象属于‘9’。

聚类结果会随着参数（如 α、β、Rth 和 mth）的变化而改变。通过实验发现，当 Rth 的值接近平均距离时，聚类结果会更好，但该算法的准确性仍有待提高。

这种三分类决策策略中，每个聚类由一个区间集来描述，该区间集由一对称为下界和上界的集合定义。此外，还提出了一种基于密度的聚类算法，并使用新策略进行了测试，实例分析表明该策略对重叠聚类是有效的。

2. 垃圾邮件过滤的三分类决策解决方案

传统上，垃圾邮件过滤常被视为一个二分类问题，许多机器学习算法被应用于不同的过滤器中，将传入的电子邮件分类为合法邮件或垃圾邮件，如朴素贝叶斯分类器、基于内存的分类器（k - nn）、基于 SVM 的分类器等。但实际上，垃圾邮件过滤是一个成本敏感的学习问题，将合