基于密度垂直中點(diǎn)的K-means聚類算法改進(jìn)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(guò)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(shí),來(lái)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(kù)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(lái)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(duì)給定的數(shù)據(jù)集進(jìn)行合理分類的一種方法。目前,國(guó)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(jìn)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(duì)其中最常用的K-means聚類分析算法進(jìn)行了深入研究,并針對(duì)其算法存在的不足,進(jìn)行了優(yōu)化和改進(jìn),并提出了一種基于數(shù)據(jù)密度垂直中點(diǎn)的初始聚類中心選取優(yōu)化算法。主要研究?jī)?nèi)容包括:
　　(1)針對(duì)傳統(tǒng)K-means聚類算法思想簡(jiǎn)單、但聚類效果對(duì)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(jī)性,使得聚類效果很不穩(wěn)定的問(wèn)題;以及隨著數(shù)據(jù)樣本空間的增大,時(shí)間耗

3、費(fèi)越來(lái)越多的問(wèn)題。本文提出了基于密度垂直中點(diǎn)作為初始聚類中心進(jìn)行初始劃分,通過(guò)計(jì)算數(shù)據(jù)樣本點(diǎn)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(diǎn)與其最近點(diǎn)的垂直中點(diǎn)作為初始聚類中心來(lái)進(jìn)行聚類劃分,具有較好的代表性。
　　(2)針對(duì)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(yàn)性要求,聚類效果也受聚類個(gè)數(shù)的影響而效果相異較大。論文結(jié)合均衡化評(píng)價(jià)函數(shù),圍繞聚類方法“類間低耦合,類內(nèi)高度緊密”的實(shí)質(zhì)對(duì)此加以改進(jìn),

4、先對(duì)聚類數(shù)進(jìn)行自動(dòng)設(shè)定和迭代選取,然后使用改進(jìn)的聚類數(shù)評(píng)價(jià)函數(shù)進(jìn)行計(jì)算,不斷迭代進(jìn)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(jìn)行了多組實(shí)驗(yàn),并與傳統(tǒng)的聚類算法進(jìn)行了對(duì)比,在實(shí)驗(yàn)對(duì)比中發(fā)現(xiàn):提出的改進(jìn)算法相比傳統(tǒng)的K-means聚類算法具有明顯的優(yōu)勢(shì),并且,在同一數(shù)據(jù)集上,相比于文獻(xiàn)中的某些聚類改進(jìn)算法具有更高的準(zhǔn)確性和更好的穩(wěn)定性。
　　實(shí)驗(yàn)表明:本文優(yōu)化后的聚類算法