半监督的改进K-均值聚类算法

被引：12

作者：

汪军 ^{[1
,2
]}

王传玉 ^{[2
]}

周鸣争 ^{[1
]}

机构：

[1] 安徽工程科技学院计算机科学与工程系

[2] 安徽工程科技学院应用数理系

来源：

计算机工程与应用 | 2009年 / 45卷 / 28期

关键词：

半监督学习; K-均值聚类; 标签样本; 最小生成树;

D O I：

暂无

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

K-均值聚类算法必须事先获取聚类数目,并且随机地选取聚类初始中心会造成聚类结果不稳定,容易在获得一个局部最优值时终止。提出了一种基于半监督学习理论的改进K-均值聚类算法,利用少量标签数据建立图的最小生成树并迭代分裂获取K-均值聚类算法所需要的聚类数和初始聚类中心。在IRIS数据集上的实验表明,尽管随机样本构造的生成树不同,聚类中心也不同,但聚类是一致且稳定的,迭代的次数较少,验证了该文算法的有效性。

引用

页码：137 / 139

页数：3