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
1.3 无监督学习研究趋势 24
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算法 171
6.1 传统K-medoids算法 171
6.2 快速K-medoids算法 173
6.3 邻域K-medoids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算法 209
6.6 密度峰值优化初始聚类中心的K-medoids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 374
9.3 无监督学习在生物医学大数据分析中的应用展望 418