Abstract
引入新特征，并降低所提模型的复杂性，从而提高基于聚类算法的机器人识别准确性。
最小化数据集维度和选择重要特征来实现的。
实验证明该方法的特征可以与四种不同的聚类技术（agglomerating、k-medoids、DBSCAN 和 K-means）结合使用，以解决由缺失标签和异常值引起的机器人识别问题。
通过选择排名靠前的特征并减少维度，达到了 0.99 的准确率。
Methodology
关键原理是识别给定聚类中账户之间的相似性。这些算法生成的预测效果取决于数据的准备情况以及关键特征的识别。
- 预处理阶段：数据清理和格式化等。
- 特征增强阶段：新特征被创建，并选择最佳特征以改进聚类算法。为了加快聚类过程，采用Principal Component Analysis（PCA）来减少数据维度。
- 特征实验与测试阶段：使用四种聚类算法（agglomerating、DBSCAN、K-Means 和 k-medoids），通过无监督学习方法有效处理特征。
- 评估阶段：评估系统的性能。
dataset
new features
Experiment
