决策级融合：决策级融合聚类算法则是基于融合各个视图的聚类结果。与特 征级融合不同，它们会保持数据的原始表示，而不会试图对这些不同的表示
进行融合。
决策级融合是在多视图聚类中采取的另一种策略，它允许各个视图独立进行聚类分析，然后综合这些独立得到的聚类结果来形成最终的聚类决策。以下是决策级融合在实际应用中的一个例子：
学生学习情况评估
场景：学校想评估学生的整体学习表现，以便提供个性化的辅导计划。评估基于两个不同的方面（视图）：
- 视图1（考试成绩）：学生的数学、英语、科学等科目的考试分数。
- 视图2（课堂参与度）：学生在课堂上的活跃程度、作业提交情况和小组讨论的表现。
决策级融合步骤简化理解：
- 单独分析每个视图：
- 对于考试成绩，老师根据分数高低，把学生初步分为“优秀”、“良好”、“需要改进”三个组别。
- 对于课堂参与度，根据学生的活跃和作业完成情况，也分为“积极参与”、“一般参与”、“较少参与”三个类别。
- 综合两个视图的分析结果：
- 比对分类：如果一个学生在考试成绩中是“优秀”，同时课堂参与度也是“积极参与”，那么很可能他/她会被视为“高绩效学生”。
- 综合考量：对于那些成绩和参与度分类不完全一致的学生，比如成绩“良好”但参与度“一般”的学生，学校可能会综合考虑，也许认为他们有潜力但需要更多鼓励参与，所以会设计特别的关注计划。
应用：通过这种方式，学校不是单纯看成绩或课堂表现，而是结合两者来更全面地了解每个学生的情况，从而制定更合理的辅导策略。
总而言之，决策级融合的核心就是先让每个领域的专家（或算法）独立工作，根据各自的评判标准分类，之后再通过某种规则或逻辑（比如共同点、重要性加权等）把这些分类结果合并起来，得出一个更全面和平衡的结论。
这样做的好处是可以充分利用每个视图的专长，同时减少因单一视角可能带来的偏见。
