密度峰值聚类(density peaks clustering, DPC)算法基于局部密度和相对距离识别簇中心,忽视了样本所处环境对样本点密度的影响,因此不容易发现低密度区域的簇中心;DPC算法采用的单步分配策略的容错性差,一旦一个样本点分配错误,将导致...密度峰值聚类(density peaks clustering, DPC)算法基于局部密度和相对距离识别簇中心,忽视了样本所处环境对样本点密度的影响,因此不容易发现低密度区域的簇中心;DPC算法采用的单步分配策略的容错性差,一旦一个样本点分配错误,将导致后续一系列样本点分配错误。针对上述问题,提出二阶自然最近邻和多簇合并的密度峰值聚类算法(TNMM-DPC)。首先,引入二阶自然邻居的概念,同时考虑样本点的密度与样本点所处的环境,重新定义了样本点的局部密度,以降低类簇的疏密对类簇中心选择的影响;其次,定义了核心点集来选取初始微簇,依据样本点与微簇间的关联度对样本点进行分配;最后引入了邻居边界点集的概念对相邻的子簇进行合并,得到最终的聚类结果,避免了分配错误连带效应。在人工数据集和UCI数据集上,将TNMM-DPC算法与DPC及其改进算法进行了对比,实验结果表明,TNMM-DPC算法能够解决DPC算法所存在的问题,可以有效聚类人工数据集和UCI数据集。展开更多
核心指标集是通过一系列规范的研制过程,形成某种疾病所有相关临床试验必须报告的、统一的、标准化的最小指标集合。确定哪些指标为核心结局指标,需要经过不同利益群体的高级代表一致性认定、达成共识。共识方法设计的科学性和实施的透...核心指标集是通过一系列规范的研制过程,形成某种疾病所有相关临床试验必须报告的、统一的、标准化的最小指标集合。确定哪些指标为核心结局指标,需要经过不同利益群体的高级代表一致性认定、达成共识。共识方法设计的科学性和实施的透明化,决定了最终形成的核心指标集的质量。因此,在中医药核心指标集(Core Outcome Set for Traditional Chinese Medicine,COS-TCM)研制过程中共识过程的设计和实施至关重要。本文对COS-TCM研制中共识方法的实施要点进行归纳总结,以期为中医药核心指标集研究的开展提供方法学借鉴。展开更多
文摘密度峰值聚类(density peaks clustering, DPC)算法基于局部密度和相对距离识别簇中心,忽视了样本所处环境对样本点密度的影响,因此不容易发现低密度区域的簇中心;DPC算法采用的单步分配策略的容错性差,一旦一个样本点分配错误,将导致后续一系列样本点分配错误。针对上述问题,提出二阶自然最近邻和多簇合并的密度峰值聚类算法(TNMM-DPC)。首先,引入二阶自然邻居的概念,同时考虑样本点的密度与样本点所处的环境,重新定义了样本点的局部密度,以降低类簇的疏密对类簇中心选择的影响;其次,定义了核心点集来选取初始微簇,依据样本点与微簇间的关联度对样本点进行分配;最后引入了邻居边界点集的概念对相邻的子簇进行合并,得到最终的聚类结果,避免了分配错误连带效应。在人工数据集和UCI数据集上,将TNMM-DPC算法与DPC及其改进算法进行了对比,实验结果表明,TNMM-DPC算法能够解决DPC算法所存在的问题,可以有效聚类人工数据集和UCI数据集。
文摘核心指标集是通过一系列规范的研制过程,形成某种疾病所有相关临床试验必须报告的、统一的、标准化的最小指标集合。确定哪些指标为核心结局指标,需要经过不同利益群体的高级代表一致性认定、达成共识。共识方法设计的科学性和实施的透明化,决定了最终形成的核心指标集的质量。因此,在中医药核心指标集(Core Outcome Set for Traditional Chinese Medicine,COS-TCM)研制过程中共识过程的设计和实施至关重要。本文对COS-TCM研制中共识方法的实施要点进行归纳总结,以期为中医药核心指标集研究的开展提供方法学借鉴。
