Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
On This Book: Clustering, Multisets, Rough Sets and Fuzzy Sets Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Semi-supervised Fuzzy c-Means Algorithms by Revising Dissimilarity/Kernel Matrices

verfasst von : Yuchi Kanzawa

Erschienen in: Fuzzy Sets, Rough Sets, Multisets and Clustering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Semi-supervised clustering uses partially labeled data, as often occurs in practical clustering, to obtain a better clustering result. One approach uses hard constraints which specify data that must and cannot be within the same cluster. In this chapter, we propose another approach to semi-supervised clustering with soft pairwise constraints. The clustering method used is fuzzy c-means (FCM), a commonly used fuzzy clustering method. Two previously proposed variants, entropy-regularized relational/kernel fuzzy c-means clustering and indefinite kernel fuzzy c-means clustering algorithm are modified to use the soft constraints. In addition, a method is discussed that propagates pairwise constraints when the given constraints are not sufficient for obtaining the desired clustering result. Using some numerical examples, it is shown that the proposed algorithms obtain better clustering results.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Fuzzy Clustering/Co-clustering and Probabilistic Mixture Models-Induced Algorithms
Nächstes Kapitel Various Types of Objective-Based Rough Clustering
Literatur
1.
Bezdek, J.C.: Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum, New York, (1981).
2.
Miyamoto, S. and Umayahara, K.: “Methods in Hard and Fuzzy Clustering,” in: Liu, Z.-Q. and Miyamoto, S. (eds), Soft Computing and Human-centered Machines, Springer-Verlag Tokyo, (2000).
3.
Hathaway, R.J., Davenport, J.W. and Bezdek, J.C.: “Relational Duals of the \(c\)-means Clustering Algorithms,” Pattern Recognition, Vol. 22, No. 2, pp. 205–212, (1989).MathSciNetCrossRefMATH
4.
Hathaway, R.J. and Bezdek, J.C.: “NERF C-means: Non-Euclidean Relational Fuzzy Clustering,” Pattern Recognition, Vol. 27, No. 3, pp. 429–437, (1994).
5.
Kanzawa, Y.: “Entropy-Regularized Fuzzy Clustering for Non-Euclidean Relational Data and Indefinite Kernel Data,” JACIII, Vol. 16, No. 7, pp. 784–792, (2012).
6.
Miyamoto, S. and Suizu, D.: “Fuzzy \(c\)-Means Clustering Using Kernel Functions in Support Vector Machines,” JACIII, Vol. 7, No. 1, pp. 25–30, (2003).
7.
Miyamoto, S., Kawasaki, Y., and Sawazaki, K.: “An Explicit Mapping for Kernel Data Analysis and Application to Text Analysis,” Proc. IFSA-EUSFLAT 2009, pp. 618–623, (2009).
8.
Kanzawa, Y., Endo, Y., and Miyamoto, S.: “Indefinite Kernel Fuzzy \(c\)-Means Clustering Algorithms,” Lecture Notes in Computer Science, Vol. 6408, pp. 116–128, (2010).
9.
Bouchachia, A. and Pedrycz, W.: “Data Clustering with Partial Supervision,” Data Mining and Knowledge Discovery, Vol. 12, pp. 47–78, (2006).
10.
Yamazaki, M., Miyamoto, S. and Lee, I.-J.: “Semi-supervised Clustering with Two Types of Additional Functions,” Proc. 24th Fuzzy System Symposium, 2E2-01, (2009).
11.
Yamashiro, M., Endo, Y., Hamasuna, Y. and Miyamoto, S.: “A Study on Semi-supervised Fuzzy \(c\)-Means,” Proc. 24th Fuzzy System Symposium, 2E3-04, (2009).
12.
Kanzawa, Y., Endo, Y. and Miyamoto, S.: “A Semi-Supervised Entropy Regularized Fuzzy \(c\)-Means,” Proc. 2009 International Symposium on Nonlinear Theory and Its Applications, pp. 564–567, (2009).
13.
Wagstaff, K., Cardie, C., Rogers, S. and Schroedl, S.: “Constrained K-means Clustering with Background Knowledge,” Proc. Eighteenth International Conference on Machine-Learning, pp. 577–584, (2001).
14.
Grira, N., Crucianu, M. and Boujemaa, N.: “Semi-supervised Image Database Categorization using Pairwise Constraints,” Proc. 2005 IEEE International Conference on Image Processing, Vol. 3, pp. 1228–1231, (2005).
15.
Kanzawa, Y., Endo, Y. and Miyamoto, S: “Some Pairwise Constrained Semi-Supervised Fuzzy \(c\)-Means Clustering,” LNAI, Vol. 5681, pp. 268–281, (2009).
16.
Kanzawa, Y., Endo, Y., and Miyamoto, S.: “Semi-Supervised Fuzzy c-Means Algorithm by Revising Dissimilarity Between Data,” JACIII, Vol. 15, No. 1, pp. 95–101, (2011).
Metadaten
Titel
Semi-supervised Fuzzy c-Means Algorithms by Revising Dissimilarity/Kernel Matrices
verfasst von
Yuchi Kanzawa
Copyright-Jahr
2017
Buch
Fuzzy Sets, Rough Sets, Multisets and Clustering

Print ISBN: 978-3-319-47556-1

Electronic ISBN: 978-3-319-47557-8

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-47557-8_4

Premium Partner

    Bildnachweise