基于密度和距離的K-means算法研究與應(yīng)用.pdf

1、數(shù)據(jù)挖掘是在大數(shù)據(jù)集上的探索并揭示其隱含規(guī)律的一種計算過程，它融合了眾多的技術(shù)，是計算機科學(xué)的重要分支。其中聚類分析是數(shù)據(jù)挖掘中重要的分析技術(shù)之一，聚類分析是按照相似度進行劃分的，將本身沒有類別的數(shù)據(jù)樣木劃分成不同的簇。本文選取的是K-means算法進行研究，它是數(shù)據(jù)挖掘屮最基本的聚類算法。該算法的優(yōu)點是執(zhí)行簡單、操作方便，但是也存在著諸多的缺點，比如：聚類形成的簇數(shù)K是由用戶指定；初始聚類中心是隨機選取的；該算法只能發(fā)現(xiàn)類球狀的簇等。

2、
　　本文的工作主要分為以下三個方面：首先在K-means算法的理論研究上，一方面，剔除了影響聚類結(jié)果的孤立點和對初始聚類中心選取進行了改進。另一方面，在確定了初始聚類中心后，把數(shù)據(jù)點合理地分配到各個簇中；其次為了能對海量數(shù)據(jù)進行處理，把改進算法在Spark平臺上進行了實現(xiàn)；最后本文將改進算法應(yīng)用到了移動客戶細(xì)分中。
　　實驗證明，改進后的K-means算法比傳統(tǒng)K-means算法的聚類結(jié)果更加準(zhǔn)確。本文借助Spark平臺對