K-means和ISODATA聚类算法的比较研究.pdfVIP

第33卷 第1期 江西理工大学学报 VoL33，No．1 2012 年 2 月 JournalofJiangxiUniversityofScienceandTechnology Feb． 2012 文章编号：2095-3046(2012)01—0078—05 K-means和 ISODATA聚类算法的比较研究 陈平 生 (绍兴职业技术学院计算机系，浙江 绍兴 312000) 摘 要：动态聚类是一种迭代重定位技术．全文阐述 了K均值 (K--means)和迭代 自组织数据分析 技术(ISODATA，IterativeSelf-OrganizingDataAnalysisTechnique)两种动态聚类算法的基本思 想 。并通过对 Iris数据集的实验 ，从初始 中心的选取、数据输入顺序的敏感性、噪声数据的敏感性 和聚类效果等角度对这两种算法进行 了分析 比较 ．结果说明两种方法各具特色． 关键词 ：聚类 ；动态聚类；K-means；IS0DATA 中图分类号：TP391 文献标志码：A A comparativestudyonclusteringalgorithms： K-meansandISoDATA CHEN Ping-sheng (ShaoxingVocationalTechnicalCollege，Shaoxing312000，China) Abstract：Dynamicclusteringisan iterativerepositioningtechnology．Inthispaper，twodynamicclustering algorithms，K—meansandISODATA (IterativeSelf-OrganizingDataAnalysisTechnique)，aleintroduced． AccordingtoexperimentsonIrisdataset，theyarecomparedfrom differentaspects：selectionofinitialcenters， sensitivitytodatainputorder，sensitivitytonoisydataandclusteringperformance．Theresultsillustratethat theyhavespecificfeaturesoftheirown． Keywords：clustering；dynamicclustering；K—means；ISODATA 药制造业竞争力评价2[1、DDOS攻击检~J3[1、零件分 0 引 言 组141等方面得到了很好的应用． 全文主要讨论了常见的两种动态聚类算法 K— 聚类 【】是将数据对象分成类或簇的过程 ，使 同 means圄和 ISODATA~[，并通过对 Iris数据集 的实 簇的对象之间具有很高的相似度，而不同簇 的对象 验，从初始中心的选取 、数据输入顺序的敏感性 、噪 高度相异． 声数据 的敏感性和聚类效果等角度对两种算法进 目前存在大量的聚类算法 ，由于划分标准不明 行了比较分析． 确 ．所以很难对聚类方法提出一个明确的分类．主 要的聚类算法大体可以划分为 ：划分方法 、层次方 1 动态聚类算法 法、基于密度的方法、基于网格的方法等[1】．动态聚 类算法是聚类技术普遍采用的一种方法 ，是一种迭 动态聚类算法具有3个要点[51：①选定某种距 代重定位技术，可 以称为划分方法．聚类算法在医 离度量作为样本间的相似性度量；