基于张开角测度的数据约简*

李　晨， 王亚茹， 岳士弘

(天津大学 电气与自动化工程学院，天津 300072)

基于张开角测度的数据约简*

李晨， 王亚茹， 岳士弘

(天津大学 电气与自动化工程学院，天津 300072)

摘要:数据约简是包括数据压缩、数据调整和特征提取在内的数据挖掘技术中的重要课题，但已有的数据约简方法主要聚焦在特征或者维度的约简，而针对样本个数的约简方法，往往是针对具体的数据集开发，缺乏一般性。 针对数据集中数据分布的一般特征，定义一种新的基于张开角的测度。该测度能够区分数据集中核心对象和边界对象分布的本质区别，实现数据集中以核心对象为中心的数据压缩。通过对UCI公共测试平台上20个具有不同特征的典型样本集进行数据约简和测试，结果表明:约简能够有效地提取数据集中的核心目标；通过对约简前后数据集采用经典K均值算法聚类，发现约简后数据集中聚类正确率明显高于约简前数据集。

关键词:数据约简； 方向角； 聚类分析

0引言

数据约简是在保持分类和决策能力的前提下，对数据中不相关或者不重要的信息进行去除。冗余的数据不仅浪费存储空间，而且影响分类的精确性和决策的正确性。数据约简包括特征约简和样本数约简。已有的关于特征约简的研究成果已经很丰富也很深入，如神经网络、粗集、主成分分析等[1～3]。目前有关数据约简的方法主要集中在对样本属性的约简上即特征约简,而对数据集中总的样本个数的约简方法，则主要是对特定数据集进行，方法较少且缺乏一般性。……