融合流形距离与标签传播的改进密度峰值聚类

密度峰值算法依靠欧式距离来实现局部密度的选择。该算法在处理高维数据和类簇密度不均匀的数据集时效果不是很理想。为了解决上述问题，提出了一种结合流形距离和标签传播的改进密度峰值聚类算法（DPC ml）。DPC ml使用流形距离来测量距离，并形成流形距离矩阵。同时，定义了局部密度。将流形距离和局部密度融合，使局部密度反映一定的局部距离信息。实验数据表明，该算法在处理不同形状和密度不均匀的聚类时具有良好的性能。此外，通过绘制决策图，发现在不同人工数据集上的实验表明，DPC－ML算法重新定义的局部密度对簇中心点的选择具有较高的分辨力。由于引入了一个新的参数邻域数，还探讨了邻域数对聚类结果的影响。研究发现，当它只是一个连通图时，聚类指数是最好的，这进一步证明了流形距离可以提高聚类结果的性能。