K-均值聚類算法初始中心選取相關(guān)問題的研究.pdf

1、數(shù)據(jù)挖掘是指從數(shù)據(jù)庫中發(fā)現(xiàn)隱含的、新穎的、對決策有潛在價值的知識和規(guī)則的過程，已經(jīng)在許多領(lǐng)域得到了廣泛的應(yīng)用。聚類分析是數(shù)據(jù)挖掘領(lǐng)域最為重要的技術(shù)之一，至今已在理論和方法上取得了豐碩的研究成果。聚類已經(jīng)被廣泛的研究了許多年，主要集中在基于距離的聚類算法上，其中以K-均值聚類算法最為經(jīng)典。 K-均值算法是一種典型的基于劃分的方法，該算法的優(yōu)點是思想簡單易行，時間復(fù)雜性接近線性，對大規(guī)模數(shù)據(jù)的挖掘具有高效性和可伸縮性。但是該算法存在

2、如下缺點：聚類個數(shù)K需要預(yù)先給定；算法對初值敏感；算法易陷入局部極小，并且一般只能發(fā)現(xiàn)球狀簇。 本文主要深入研究和分析了聚類算法中的經(jīng)典K-均值聚類算法，總結(jié)出其優(yōu)點和不足。重點分析了K-均值聚類算法對初始值的依賴性，并用大量的實驗驗證了隨機選取初始值對聚類結(jié)果的影響性。針對K-均值算法對初始中心值選取的依賴性，提出了兩種新的初始中心值選取方法。 主要研究內(nèi)容和工作成果如下： 1.基于Huffman樹構(gòu)造的思想，

3、提出了一種新的選取K-均值聚類算法初始中心點方法，改善K-均值聚類算法隨機選取初始中心點而導(dǎo)致的聚類結(jié)果不穩(wěn)定，容易陷入局部最優(yōu)而非全局最優(yōu)的不良結(jié)果。 2.采用最大距離法來選取K-均值聚類算法初始中心點，使得選出的中心點能在一定程度上代表不同的簇，提高了劃分初始數(shù)據(jù)集的效率，克服了K-均值聚類算法中隨機選取的初始中心點很大可能過于鄰近，多個初始中心被選擇在同一簇中，而小簇中沒有聚類種子的不好情況。另外引入特征加權(quán)的方法，區(qū)別不