基于網(wǎng)格的K-means算法與聚類有效性指標(biāo).pdf

1、數(shù)據(jù)聚類就是將一個數(shù)據(jù)集中的數(shù)據(jù)按照某種條件聚成若干個簇，使得簇中的數(shù)據(jù)相似性較高，而簇間的數(shù)據(jù)則相異性較高的過程。聚類分析已被確認(rèn)為是知識發(fā)現(xiàn)方面主要的數(shù)據(jù)挖掘工具并應(yīng)用在眾多領(lǐng)域，如模式識別，基因組分析和市場研究。K-means聚類算法應(yīng)用在聚類任務(wù)的很多方面，但是K-means本身存在著以下的缺點(diǎn)。首先，初始化問題，即隨機(jī)選取的初始值可能會導(dǎo)致不同的聚類結(jié)果，甚至?xí)斐蔁o解；其次，用戶必須輸入先驗的類數(shù)；再次，K-means算法是

2、噪聲敏感的；最后，K-means算法處理大型數(shù)據(jù)集的效率和結(jié)果往往是不能接受的。相對于K-means算法，大多數(shù)現(xiàn)有的網(wǎng)格聚類算法具有線性的時間和空間復(fù)雜度，從而可以很好地實(shí)施在大型數(shù)據(jù)集。
　　 在本文中，提出了一種基于網(wǎng)格的劃分式算法，以克服K-means算法的缺點(diǎn)。這個新算法基于兩個主要的思想：1)極大化一組網(wǎng)格的平均密度代替K-means算法目標(biāo)函數(shù)中使用的極小化最小平方誤差；2)使用基于網(wǎng)格的聚類算法徹底改變K-mea

3、ns算法中對象驅(qū)動的目標(biāo)(數(shù)據(jù))分配方式。因此，比起K-means算法，本文提出的算法獲得了大約10～100倍的平均加速，同時能獲得更好的劃分結(jié)果。相比K-means算法，本文提出的算法還具有能處理類數(shù)未知的數(shù)據(jù)集的能力。通過與包括K-means算法在內(nèi)的四個典型聚類算法在具有不同特征數(shù)據(jù)集上的聚類效果相比較，本文提出的算法的效率已被成功地驗證。聚類有效性在聚類分析中有重要的研究價值。許多聚類有效性指標(biāo)已經(jīng)被提出用來估計類數(shù)。然而，面向