基于贝叶斯和谐度的层次聚类

层次聚类是一种重要的数据分析技术。传统的层次聚类方法大都采用欧式距离度量类之间相似度，不能有效处理类之间重合和类密度变化大的情况。文中提出一种基于贝叶斯和谐度的层次聚类方法，采用和谐度增幅代替传统层次聚类方法采用的欧式距离。贝叶斯和谐度取自于贝叶斯阴阳和谐学习理论，能衡量整个数据的分布情况和指导选择合适的类别数。文中方法根据和谐度的变化来度量类之间的相似度，能克服传统层次聚类的缺点;同时更易选择阈值终止层次聚类的合并，从而产生合适的类别数。最后通过两个实验验证文中方法的有效性。