聚類分析中基于投影的k均值算法.pdf

1、數(shù)據(jù)挖掘是機器學習領域內廣泛被研究的知識領域，是將人工智能技術和數(shù)據(jù)庫技術緊密的結合，讓計算機能幫助人們從大數(shù)據(jù)量的數(shù)據(jù)庫中智能地、自動地獲取出有價值的知識模式和規(guī)律信息，以滿足人們不同應用的需要。K均值算法作為聚類分析中應用極其廣泛的一個算法，具有伸縮性好，效率高的優(yōu)勢。但是k均值算法這樣的劃分算法依賴k值的確定，初始聚類中心的選擇以及不同樣本對象條件下的相似度度量的選取。而且對于孤立點的影響很敏感，少數(shù)偏遠孤立點就會造成很大影響。在

2、運算效率方面對于大量高維數(shù)據(jù)，最大的阻礙在于歐氏距離定義下的距離計算。本文也提出了關于距離計算的效率改進和孤立點的分離。
　　 針對k均值算法的各個不足之處，本文分別研究了其對應的改進算法。包括對于初始聚類中心選取的改進方法來進行初始中心點的選取，聚類中心和聚類均值點分離的方法來減少孤立點的干擾以及基于核函數(shù)的改進方法。對于效率提升方面提出了基于投影的改進方法，結合投影降維的理論對k均值算法進行改進，對所有待聚類的向量在選定的方