基于孤立点自适应的K-means算法

• 作者: 杨莉云 颜远海
• 来源期刊: 河南科学
• 关键词: K-means算法 孤立点 谢林模型 初始聚类中心 误差平方和
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 数学与信息科学
• 页码范围: 507-513
• 页数: 7页
• 分类号: TP181
• 语种: 中文

摘要

孤立点的存在使聚类中心的计算产生较大误差,影响K-means算法的聚类效果.针对该问题,引入谢林模型,使孤立点能够自动移动到其邻居所在位置,消除孤立点,同时,对K-means算法过程中的距离计算、初始聚类中心选取环节进行改进,提出基于孤立点自适应的K-means算法.该算法首先对原始数据进行归一化处理,以提高距离计算的准确性;然后,根据谢林模型的基本思想,将孤立点移动到其最近的多邻邻居;接着,由类簇的数目确定邻居样本的搜索范围,确定初始聚类中心;最后,根据移动后的数据集和初始聚类中心,进行K-means聚类.在UCI机器学习数据库中经典聚类数据集上的实验结果表明,该算法可显著提升聚类的精度,同时,簇的内聚性也比较好.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	颜远海	广东财经大学华商学院	3	3	1.0	1.0
2	杨莉云	广东财经大学华商学院	3	4	1.0	2.0