An Efficient Algorithm Combining Spectral Clustering with Feature Selection

Um diese Probleme zu lösen, schlägt die Arbeit einen neuartigen Algorithmus vor, der spektrale Clusterbildung mit der Auswahl von Merkmalen kombiniert. Konkret wird der Verlustpunkt mit einer Wurzel markiert, die den Abweichungswert verringern und dann die Robustheit des Modells verbessern kann. Und in der Algorithmenoptimierung gibt es einen Parameter, der durch andere bekannte Parameter repräsentiert wird, die die Zeit der Parameteranpassung verkürzen können. Anschließend wird der reguläre Begriff verwendet, um den Einfluss von Rauschen und redundanten Merkmalen zu verringern und ein Overfitting des Modells zu verhindern. Schließlich wird die Laplace-Matrix durch einen kNN-Algorithmus konstruiert, der verwendet wird, um den Subraum zu erlernen und die lokale Struktur zwischen den Proben zu erhalten, und die Daten nach der Dimensionsreduzierung werden für spektrale Clusterbildung verwendet. Experimentelle Analysen auf 10 Benchmark-Datensätzen zeigen, dass der vorgeschlagene Algorithmus leistungsfähiger ist als die Algorithmen auf dem Stand der Technik.