基于聚类Kmeans算法的初值依赖性研究.docx

"基于聚类Kmeans算法的初值依赖性研究" 聚类分析是数据挖掘中的一个重要研究领域，K-means算法对随机选取K个初始点作为初始值是很敏感的，聚类的质量依赖于初始值。在分析聚类结果对初值依赖性的基础上，对初值选取方法进行了分析和研究，并提出了一种有效的改进方法，通过试验证明了改进算法的有效性。 数据挖掘是从大量数据中提取可信的、新颖的、有效的并能被人们理解的模式的处理过程。聚类是数据挖掘中的一种主要技术，是把一组个体按照相似性归成若干类别即“物以类聚”。它的目的是使得属于同一类别的个体之间的距离尽可能的小而不同类别上的个体间的距离尽可能大。 K-means算法是一种基本的且应用最广泛的划分算法，它是一种已知聚类类别数的聚类算法。该算法的基本框架包括：给定大小为N的数据集，令I=1，选取k个初始聚类中心Zj(I)，j=1，2，3，…，k；计算每个数据对象与聚类中心的距离D(Xi，Zj(I))；计算K个新的聚类中心；判断：若Zj(I+1)≠Zj(I)，j=1，2，3，…，K，则I=I+1，返回(2)，否则该算法结束。 K-means算法的初值依赖性是指聚类结果对初始聚类中心的依赖性，初始聚类中心的选取对聚类结果具有较大的影响。如果有先验知识，可以选取具有代表性的点作为初始中心点。实验结果表明，初始值的选取对聚类结果的影响，反过来也可以说是聚类结果对初始聚类中心的依赖。 对初值选取方法进行了分析和研究，提出了一种有效的改进方法，通过试验证明了改进算法的有效性。改进算法扩大了解空间的搜索范围，减少了某些极值点附近无初值的机会，初始聚类中心在数据空间中分布较广，具有多样性。该方法可以减少随机选择初始聚类中心的影响，提高聚类结果的稳定性。 本文研究了基于聚类K-means算法的初值依赖性，并提出了一种有效的改进方法，旨在提高聚类结果的稳定性和可靠性。