聚類算法的研究.pdf

1、聚類是數(shù)據(jù)挖掘領(lǐng)域最為重要的技術(shù)之一，用于發(fā)現(xiàn)在數(shù)據(jù)庫中未知的對象類。聚類挖掘已經(jīng)被廣泛的研究了許多年，主要集中在基于距離的聚類挖掘上，其中以k-means(k均值)算法最為經(jīng)典。針對k-means算法存在的一些不足，許多專家學者對其做出過改進，盡管這些改進使算法的效率或者是穩(wěn)定性得到一定的提高，但并非沒有繼續(xù)提高的空間，特別是在k-means初始化算法，和k-means聚類穩(wěn)定性上，還有待提高。本文基于擴展的二叉排序樹，對k-mean

2、s初始化算法做出了新的改進，提高了聚類結(jié)果的穩(wěn)定性和準確率。另一方面，針對大型數(shù)據(jù)集的聚類，本文對RA算法做出了新的改進，提高了聚類的準確率。 本文主要工作包括： (1) 深入研究和分析了聚類算法中的經(jīng)典算法k-means算法，并以試驗的方式證明和分析了k-means算法存在的缺點。 (2) 基于擴展的二叉排序樹，對k-means初始化算法做出了改進，改善了k-means算法由隨機初始化帶來的聚類不穩(wěn)定、容易陷入