傳統(tǒng)聚類方法的分析及改進(jìn).pdf

1、本文首先介紹了聚類問題的廣泛應(yīng)用。隨后，在聚類方法分類的基礎(chǔ)上，重點(diǎn)介紹了層次聚類方法和劃分聚類法-k-平均方法，k-中心方法以及它們的改進(jìn)方法。綜合分析和比較了層次聚類方法和k-平均方法的優(yōu)點(diǎn)和缺點(diǎn)。 在聚類分析中，k-均值算法可以說是應(yīng)用較為廣泛的一種算法，雖然傳統(tǒng)的k-均值聚類算法方法簡單、執(zhí)行速度快且效率高，但同時(shí)它的一個(gè)致命弱點(diǎn)是它對(duì)初始值敏感而且容易陷入局部最小值。而且算法需要人為地預(yù)先指定類別的個(gè)數(shù)，而實(shí)際中類別的

2、個(gè)數(shù)不能簡單明確的確定。 本文的主要工作可以概括為兩個(gè)方面。 1.本文提出了一種比上述兩種聚類方法更有效的聚類方法。改進(jìn)算法由層次凝聚算法得到的初始分區(qū)，這就避免了出現(xiàn)隨機(jī)地選取k個(gè)初始分區(qū)的現(xiàn)象。在某種程度上，大大降低了準(zhǔn)則函數(shù)收斂為一個(gè)局部最小值的可能性。 2.本文分析經(jīng)典的k-均值算法的一個(gè)重要缺點(diǎn)：需要用戶事先給出要生成的分類數(shù)目，提出了一種尋找最優(yōu)k值的方法。引入了一個(gè)簡單函數(shù)來描述聚類質(zhì)量，通過遍歷所