基于均值与最大距离乘积的初始聚类中心优化 K-means 算法*

• 作者: 段桂芹
• 来源期刊: 计算机与数字工程
• 学科: 工学
• 关键词: K-means聚类算法 均值 最大距离乘积 数据挖掘
• 年，卷（期）: 2015,（3）
• 所属期刊栏目: 算法与分析
• 页码范围: 379-382
• 页数: 4页
• 分类号: TP301.6
• 字数: 3406字
• 语种: 中文
• DOI: 10.3969/j.issn1672-9722.2015.03.008

摘要

针对K‐means算法随机选择初始聚类中心所出现的样本聚类结果随机性强、稳定性低、容易陷入局部最优和得不到全局最优解等问题，提出一种基于均值与最大距离乘积的初始聚类中心优化K‐means算法。该算法首先选择距离样本集均值最远的数据对象加入聚类中心集合，再依次将与样本集均值和当前聚类中心乘积最大的数据对象加入聚类中心集合。标准数据集上的实验结果表明，与原始K‐means的算法以及另一种改进算法相比，新提出的聚类算法具有更高的准确率。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	段桂芹	广东松山职业技术学院计算机系	15	32	3.0	5.0