一種改進的k_means聚類算法研究.pdf

1、隨著網(wǎng)絡(luò)的快速發(fā)展和信息化技術(shù)的不斷進步，各種數(shù)據(jù)以驚人的速度膨脹，如何從這些數(shù)據(jù)中找到有用信息，并對這些數(shù)據(jù)和信息進行分類，變得日益迫切。數(shù)據(jù)挖掘技術(shù)的出現(xiàn)，使得大量數(shù)據(jù)處理成為可能。聚類是一項重要數(shù)據(jù)挖掘技術(shù)，已成為研究熱點之一。
　　 本文主要針對k_means算法對孤立點敏感和對初始點選擇敏感的局限性，對k_means算法的聚類過程提出兩點改進。首先，對k_means算法中孤立點檢測問題進行深入研究，提出了基于網(wǎng)格的數(shù)據(jù)

2、預(yù)處理算法。該方法對數(shù)據(jù)集網(wǎng)格劃分之后，進行孤立點的檢測。其次，分析k_means算法的初始點選擇，提出了基于平均點的初始點選擇算法。該方法是在基于網(wǎng)格的數(shù)據(jù)預(yù)處理算法基礎(chǔ)之上，直接在網(wǎng)格中進行初始點的選擇，使初始點更加合理和接近實際的聚類中心。最后，在k_means算法的聚類過程中，應(yīng)用兩個算法進行孤立點處理和初始點選擇，給出了改進的k_means算法。
　　 本文通過實驗對改進的k_means進行驗證和分析，實驗結(jié)果表明改進