论文部分内容阅读
本文提出一种基于全局最优的半监督K-means算法，该算法打破传统方法中采用样本类别作为K值的限定，利用少量标记数据即可指导和规划大量无监督数据。结合数据集自身的分布特点及聚类后各个簇内的监督信息，根据投票方法来指导簇中数据集的类别标记。实验表明，本文所提出的方法可以有效的寻找适合数据集的最佳K值和聚类的中心，提高聚类性能。