無(wú)監(jiān)督學(xué)習(xí)方法及其應(yīng)用

目 錄
第1章 緒論1
　　1.1 機(jī)器學(xué)習(xí)簡(jiǎn)介1
　　1.2 無(wú)監(jiān)督學(xué)習(xí)簡(jiǎn)介2
第2章 數(shù)據(jù)預(yù)處理與樣本相似性度量31
　　2.1 數(shù)據(jù)預(yù)處理方法31
　　2.2 樣本相似性度量方法48
第3章 聚類結(jié)果評(píng)價(jià)指標(biāo)55
　　3.1 內(nèi)部評(píng)價(jià)指標(biāo)55
　　3.2 外部評(píng)價(jià)指標(biāo)72
第4章 競(jìng)爭(zhēng)學(xué)習(xí)算法87
　　4.1 傳統(tǒng)次勝者受罰競(jìng)爭(zhēng)學(xué)習(xí)算法87
　　4.2 基于密度的次勝者受罰競(jìng)爭(zhēng)算法95
　　4.3 改進(jìn)的密度次勝者受罰競(jìng)爭(zhēng)學(xué)習(xí)算法99
第5章 K-means學(xué)習(xí)算法108
　　5.1 傳統(tǒng)K-means聚類算法108
　　5.2 密度RPCL優(yōu)化的K-means聚類算法111
　　5.3 基于樣本分布密度的K-means聚類算法118
　　5.4 最小方差優(yōu)化初始聚類中心的K-means算法125
　　5.5 全局K-means聚類算法134
　　5.6 密度全局K-means聚類算法136
　　5.7 粗糙K-means聚類算法142
　　5.8 粒度K-means聚類算法150
第6章 K-medoids學(xué)習(xí)算法171
　　6.1 傳統(tǒng)K-medoids聚類算法171
　　6.2 快速K-medoids聚類算法173
　　6.3 鄰域K-medoids聚類算法180
　　6.4 方差優(yōu)化初始聚類中心的K-medoids算法187
　　6.5 粒度K-medoids聚類算法209
　　6.6 密度峰值優(yōu)化初始聚類中心的K-medoids聚類算法234
第7章 基于密度的無(wú)監(jiān)督學(xué)習(xí)算法259
　　7.1 DBSCAN算法259
　　7.2 快速密度峰值發(fā)現(xiàn)聚類算法262
　　7.3 K近鄰優(yōu)化的快速密度峰值發(fā)現(xiàn)聚類算法265
　　7.4 模糊加權(quán)K近鄰優(yōu)化的密度峰值發(fā)現(xiàn)聚類算法286
第8章 譜圖聚類算法302
　　8.1 最小生成樹(shù)聚類算法302
　　8.2 譜聚類算法306
第9章 無(wú)監(jiān)督學(xué)習(xí)方法的應(yīng)用318
9.1 基于無(wú)監(jiān)督學(xué)習(xí)的基因選擇318
　　9.2 基于無(wú)監(jiān)督學(xué)習(xí)的疾病診斷338
9.3 無(wú)監(jiān)督學(xué)習(xí)在生物醫(yī)學(xué)大數(shù)據(jù)分析中的應(yīng)用展望 404