K-means聚類算法研究及其應(yīng)用.pdf

1、聚類是數(shù)據(jù)挖掘的重要技術(shù)之一，用于發(fā)現(xiàn)數(shù)據(jù)中未知的分類。K-means算法是基于劃分的聚類算法中的一個典型算法，K-means算法有操作簡單、速度快、能處理大數(shù)據(jù)等優(yōu)點，但是，該算法具有同等對待各屬性的缺點。本文對 K-means算法進行賦權(quán)研究，主要內(nèi)容如下：
　　1.在分析和研究聚類分析和K-means算法的基礎(chǔ)上，分別建立了基于CRITIC法加權(quán)K-means算法和基于Gini指數(shù)加權(quán)K-means算法。在實驗中，與傳統(tǒng)K-

2、means算法進行對比，結(jié)果顯示了所給改進算法是可行的。
　　2.結(jié)合主觀賦權(quán)法和客觀賦權(quán)法對K-means算法進行綜合賦權(quán)。首先，在已經(jīng)歸一化的數(shù)據(jù)基礎(chǔ)上，運用CV-K-means法確定判斷矩陣，根據(jù)AHP法計算各屬性的主觀權(quán)重。然后，采用CRITIC法計算各屬性的客觀權(quán)重。最后，根據(jù)差異系數(shù)法計算組合權(quán)重系數(shù)，得到各屬性的綜合權(quán)重，從而建立了基于AHP和CRITIC綜合賦權(quán)的K-means算法。實證研究結(jié)果表明：該算法比基于

3、CRITIC法加權(quán) K-means算法以及傳統(tǒng) K-means算法在聚類精度和聚類熵值都有很大的提高。
　　3.結(jié)合兩種客觀賦權(quán)法對K-means算法進行綜合賦權(quán)。首先，對數(shù)據(jù)進行歸一化處理，利用 Gini指數(shù)法計算各屬性的權(quán)重。然后，采用 CRITIC法計算各屬性的權(quán)重。最后，建立求解多屬性決策問題屬性權(quán)重的優(yōu)化模型，對模型的組合系數(shù)進行求解，從而建立了基于Gini指數(shù)和CRITIC綜合賦權(quán)的K-means算法。實證研究結(jié)果表明