基于改進聚類算法的數(shù)據(jù)挖掘系統(tǒng)的研究與實現(xiàn).pdf

1、聚類之于數(shù)據(jù)挖掘就是對數(shù)據(jù)集中的數(shù)據(jù)應用某種方法進行分組，把具有相似性質(zhì)的事情區(qū)分加以分類。聚類算法在數(shù)據(jù)挖掘算法中占有重要的一席之地，它被廣泛的應用于各個領域，例如模式識別，模糊控制等等，因此越來越多的聚類方式被提出和深入研究。聚類算法通常被分為5類，有基于層次的聚類，基于劃分的聚類，基于密度的聚類，基于模糊的聚類。
　　模糊K-Means聚類算法于1981年由Beadek提出，它是一個基于劃分的聚類算法，因為其效率高，可擴展性

2、強，收斂速度快，被廣泛的應用在數(shù)據(jù)挖掘中。但是算法中也存在一些問題：聚類中心的選擇，和假定各維特征權值相同。
　　在本文中，提出了一種改進的模糊 K-Means算法。初始聚類中心的選擇基于平均距離，算法主體加入了權重的思想，權重代表不同維度對劃分的貢獻不同，它考慮到整個數(shù)據(jù)集，數(shù)據(jù)的一個維度（屬性值）的權值可以被當做對分類的貢獻大小，貢獻大的屬性權值較大，反之較小。權重可以加快聚類過程，并得到更好的聚類結果。
　　BIRCH

3、算法是一種基于層次的聚類算法。它利用聚類特征(CF)，和聚類特征樹(CF Tree)兩個概念來描述算法過程。文章里分析了BIRCH算法的存在的一些問題，提出了基于密度和動態(tài)閾值的任意形狀的聚類算法。算法將密度和閾值綜合考慮，并在過程中動態(tài)改變閾值 T以適應數(shù)據(jù)集特征的改變。算法的復雜度基本和BIRCH算法持平，但是在內(nèi)存控制上由于動態(tài)控制了CF樹，減少了消耗，任意形狀的數(shù)據(jù)集也能接近DBSCAN的聚類結果。
　　在軟件和信息技術服