优化初始聚类中心的改进K-means算法

被引：33

作者：

唐东凯 ^{[1
]}

王红梅 ^{[1
]}

胡明 ^{[1
,2
]}

刘钢 ^{[1
]}

机构：

[1] 长春工业大学计算机科学与工程学院

[2] 长春工程学院

来源：

小型微型计算机系统 | 2018年 / 39卷 / 08期

关键词：

K-means算法; 初始聚类中心; 离群因子; 取样因子; 最大最小距离;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

针对K-means算法对初始聚类中心和离群点敏感的缺点,提出了一种优化初始聚类中心的改进K-means算法.该算法首先计算出数据集中每个数据对象的离群因子,并根据离群因子的值对数据集进行升序排列,使得中心点的位置靠前.然后在升序排列的数据集上,引入取样因子α,得到候选初始中心点集.最后,根据最大最小距离的思想,在候选初始中心点集上选取k个数据对象作为初始聚类中心.实验结果表明,在时间基本相同的情况下,提出的改进算法相对K-means、K-means++算法具有较好的稳定性和较高的聚类准确率,并且聚类的平均迭代次数也相对较小.

引用

页码：1819 / 1823

页数：5

共 10 条

[1] 一种基于最大最小距离和SSE的自适应聚类算法 [J].