基于密度垂直中點的K-means聚類算法改進研究.pdf

1、數(shù)據(jù)挖掘是一種特殊的數(shù)據(jù)處理技術(shù)。它是指通過分析海量數(shù)據(jù)或信息,從中提取出潛在的、有用的、不為人所知的知識,來輔助人們做出正確決策。目前,數(shù)據(jù)挖掘技術(shù)是信息領(lǐng)域和數(shù)據(jù)庫技術(shù)的前沿研究課題,也是被學(xué)術(shù)界公認(rèn)為最具發(fā)展前景的關(guān)鍵技術(shù)之一。
　　聚類分析技術(shù),作為數(shù)據(jù)挖掘的主要預(yù)處理方法之一,近些年來也隨著數(shù)據(jù)挖掘技術(shù)的研究和發(fā)展,廣泛受到學(xué)者們的關(guān)注。它是對給定的數(shù)據(jù)集進行合理分類的一種方法。目前,國內(nèi)外學(xué)者紛紛提出了多種聚類分析算法

2、,在一定程度上推進了數(shù)據(jù)挖掘的發(fā)展。在深入研究和理解聚類方法的基礎(chǔ)上,本文針對其中最常用的K-means聚類分析算法進行了深入研究,并針對其算法存在的不足,進行了優(yōu)化和改進,并提出了一種基于數(shù)據(jù)密度垂直中點的初始聚類中心選取優(yōu)化算法。主要研究內(nèi)容包括:
　　(1)針對傳統(tǒng)K-means聚類算法思想簡單、但聚類效果對初始聚類中心的選取較為敏感;又由于初始聚類中心的隨機性,使得聚類效果很不穩(wěn)定的問題;以及隨著數(shù)據(jù)樣本空間的增大,時間耗

3、費越來越多的問題。本文提出了基于密度垂直中點作為初始聚類中心進行初始劃分,通過計算數(shù)據(jù)樣本點密度值,反映數(shù)據(jù)樣本大致分布情況,并且,利用當(dāng)前最高密度點與其最近點的垂直中點作為初始聚類中心來進行聚類劃分,具有較好的代表性。
　　(2)針對傳統(tǒng)K-means聚類方法需預(yù)先人工設(shè)定好聚類數(shù)目,有較高的經(jīng)驗性要求,聚類效果也受聚類個數(shù)的影響而效果相異較大。論文結(jié)合均衡化評價函數(shù),圍繞聚類方法“類間低耦合,類內(nèi)高度緊密”的實質(zhì)對此加以改進,

4、先對聚類數(shù)進行自動設(shè)定和迭代選取,然后使用改進的聚類數(shù)評價函數(shù)進行計算,不斷迭代進行,獲得使函數(shù)值最小的k值,就是我們需要的最優(yōu)聚類數(shù)。
　　(3)本文將優(yōu)化后的算法在UCI數(shù)據(jù)集上進行了多組實驗,并與傳統(tǒng)的聚類算法進行了對比,在實驗對比中發(fā)現(xiàn):提出的改進算法相比傳統(tǒng)的K-means聚類算法具有明顯的優(yōu)勢,并且,在同一數(shù)據(jù)集上,相比于文獻中的某些聚類改進算法具有更高的準(zhǔn)確性和更好的穩(wěn)定性。
　　實驗表明:本文優(yōu)化后的聚類算法