优化初始聚类中心选择的K-means算法

• 作者: 杨一帆 贺国先 李永定
• 来源期刊: 电脑知识与技术:学术版
• 学科: 工学
• 关键词: 聚类 K-MEANS 最近邻点密度 初始聚类中心 孤立点
• 年，卷（期）: dnzsyjsxsb_2021,（5）
• 页码范围: 252-255
• 页数: 4页
• 分类号: TP391

摘要

K-means算法的聚类效果与初始聚类中心的选择以及数据中的孤立点有很大关联,具有很强的不确定性。针对这个缺点,提出了一种优化初始聚类中心选择的K-means算法。该算法考虑数据集的分布情况,将样本点分为孤立点、低密度点和核心点,之后剔除孤立点与低密度点,在核心点中选取初始聚类中心,孤立点不参与聚类过程中各类样本均值的计算。按照距离最近原则将孤立点分配到相应类中完成整个算法。实验结果表明,改进的K-means算法能提高聚类的准确率,减少迭代次数,得到更好的聚类结果。