无监督学习方法及其应用

　　无监督学习是机器学习的一个重要分支，其在机器学习、数据挖掘、生物医学大数据分析、数据科学等领域有着重要地位。本书阐述作者近年在无监督学习领域所取得的主要研究成果，包括次胜者受罚竞争学习算法、K-means学习算法、K-medoids学习算法、密度学习算法、谱图聚类算法；*后介绍了无监督学习在基因选择、疾病诊断中的应用。

　　博士，副教授，硕士生导师，中国计算机学会高级会员。 "Health Information Science and Systems”副主编。主要研究方向为机器学习、数据挖掘、生物医学大数据分析、智能信息处理等。

目 录
第1章 绪论1
　　1.1 机器学习简介1
　　1.2 无监督学习简介2
第2章 数据预处理与样本相似性度量31
　　2.1 数据预处理方法31
　　2.2 样本相似性度量方法48
第3章 聚类结果评价指标55
　　3.1 内部评价指标55
　　3.2 外部评价指标72
第4章 竞争学习算法87
　　4.1 传统次胜者受罚竞争学习算法87
　　4.2 基于密度的次胜者受罚竞争算法95
　　4.3 改进的密度次胜者受罚竞争学习算法99
第5章 K-means学习算法108
　　5.1 传统K-means聚类算法108
　　5.2 密度RPCL优化的K-means聚类算法111
　　5.3 基于样本分布密度的K-means聚类算法118
　　5.4 最小方差优化初始聚类中心的K-means算法125
　　5.5 全局K-means聚类算法134
　　5.6 密度全局K-means聚类算法136
　　5.7 粗糙K-means聚类算法142
　　5.8 粒度K-means聚类算法150
第6章 K-medoids学习算法171
　　6.1 传统K-medoids聚类算法171
　　6.2 快速K-medoids聚类算法173
　　6.3 邻域K-medoids聚类算法180
　　6.4 方差优化初始聚类中心的K-medoids算法187
　　6.5 粒度K-medoids聚类算法209
　　6.6 密度峰值优化初始聚类中心的K-medoids聚类算法234
第7章 基于密度的无监督学习算法259
　　7.1 DBSCAN算法259
　　7.2 快速密度峰值发现聚类算法262
　　7.3 K近邻优化的快速密度峰值发现聚类算法265
　　7.4 模糊加权K近邻优化的密度峰值发现聚类算法286
第8章 谱图聚类算法302
　　8.1 最小生成树聚类算法302
　　8.2 谱聚类算法306
第9章 无监督学习方法的应用318
9.1 基于无监督学习的基因选择318
　　9.2 基于无监督学习的疾病诊断338
9.3 无监督学习在生物医学大数据分析中的应用展望 404