如需要完整文档点击下方 "点击下载文档" 按钮
聚类分析是数据挖掘的重要组成部分,K 均值聚类算法是聚类分析方法中一种基本的划分式方法,也是无监督的机器学习方法。 其具有效率高、容易理解和实现等优点,同时,可以对多种数据类型进行聚类,广泛应用于诸多领域。 但是,K 均值聚类算法也有一些局限性。 算法中合理的 k 值难以确定,而且算法选择初始聚类中心的随机性会导致聚类结果不稳定,同时,算法对噪声和离群点数据也有很强的敏感性。 为了解决初始聚类中心随机性的问题,通过全局化思想对 K均值聚类算法进行了改进,改进的聚类效果评价使用常用的误差平方和准则。 实验结果表明,相较于一般的 K 均值聚类算法,全局 K 均值聚类算法得到了更好的聚类效果,同时提升了算法的稳定性。
如需要完整文档点击下方 "点击下载文档" 按钮
《K 均值聚类算法的研究与优化》
将 完整文档 下载到本地,方便收藏和查阅
文件号:062617
点击下载文档