基于2d-距离改进的K-means聚类算法研究.pdfVIP

第43卷第2期 太原理工大学学报 V01．43NO．2 2012年3月 TAIYUANUNIVFRSlTY()FTE(’HNOI，OGY Mar．2012 JOURNAl。OF 文章编号：1007—9432(2012)02—0114—05 基于2d一距离改进的K—means聚类算法研究 陈福集，蒋 芳 (福州大学公共管理学院，福州350108) 摘 要；为了解决原始K—means算法随机选取聚类中心对聚类结果产生较大影响的不足和孤 立点的存在对聚类精度的破坏，以及两者之间的相互牵制性，采用基于2d一距离的DKC值来对原 始样本数据集进行预处理以分辨孤立点，同时确定初始的聚类中心，达到消除两者相互影响的效 果，使得聚类中心相对稳定，改进后的算法较原始的算法在准确度上得到了改进。 关键词：2d-距离；K—means算法；初始点选取；孤立点 中图分类号：TPl81；TP311文献标识码：A 聚类是数据挖掘=三大领域(关联规则，聚类和分 苏锦旗[43等人利用基于样本的区域划分方法，韩凌 类)之一，它是将数据对象的集合分组成为由类似的 波[53等人通过设置密度参数的方法来加以实现。但 对象组成的多个簇的过程，目标是将数据集分成若 是对孤立点处理的研究则相对较少，Knorr和Ng 干个子集，同一个子集中的对象是相似的，不同子集 开创基于距离的孤立点检测的先河，主要是利用数 的对象不相似。基于这种相似性可以有多种算法， 据点和最近邻居之间的距离作为判断依据。但是在 大体上可以分为基于划分的K—means算法、CLAR—距离函数和参数的选择上却存在困难，张健民[6]提 ANS算法；基于密度的DBSCAN、OPTICS算法；基出了一种基于孤立点数据过滤的改进算法，田地[71 于层次的BRICH算法，CURE算法，基于网格的聚等人则采用基于距离和的技术来处理孤立点，杨 类算法等。 臻L81则采用基于2d-距离的孤立点算法。 K—means算法由于其简单实用而得到广泛应 上述所有文献都是针对K—means聚类算法的 用，但是该方法也存在两个明显的缺陷：一是初始聚 两个缺陷分别采用方法加以改进，没有同时针对两 类中心的选取是随机的，这样使得产生的聚类结果 个缺陷处理的情况，但是实际上这两个缺陷是彼此 具有很大不确定性；二是由于该算法采用同一类中 关联、相互影响的，只有先发现孤立点对数据进行预 的所有对象的平均值进行区分和归类，算法的效果 处理才会使得初始聚类中心更加准确。笔者针对上 受孤立点影响较大。这两个缺陷不仅仅是单独存 述不足，对基于2d一距离的算法加以改进，不仅可以 在，而且他们之间可能会相互影响和相互牵制，即孤 处理孤立点而且可以完善初始聚类中心的选择情 立点的存在使得初始聚类中心的选取更加不稳定， 况，使得两个缺陷同时得以改善和控制，消除两者的 并且聚类效率低；反之初始聚类中心的确定也会影 相互影响，提高了聚类的准确率。 响孤立点的发现，可能会漏掉重要孤立点。 目前的文献都只是针对上述前两个缺陷进行改 1 传统的K—means算法 进，对他们之间的相互作用的研究很少。如对于初 K—means聚类算法是一种基于划分的聚类算 始聚类中心选取的确定，李飞Ⅲ等人采用遗传算法 法。它以误差平方和作为度量聚类质量的目标函数。 进行初始聚类中心优化，但是其依赖的基凶差异度 该算法采用迭代更新的思想，首先随机选择K个对 却很难确定；袁方[23等人提出的基于数据样本分布 象初始地代表聚类或簇的中心。再对剩下的对象根 的方法只能得到一个初步结果，只具有几何学上的 据其与各个簇的中心的距离