基于K最近邻居图划分的聚类中心初始化算法.pdfVIP

基于K．最近邻居图划分的聚类中心初始化算法 吴继兵1，2李心科1 l合肥工业大学计算机与信息学院，安徽合肥230009 2安徽工业职业技术学院，安徽铜陵244000 摘要：传统的k-me肌s算法随机选择初始聚类中心，而初始聚类中心的选择对最终的聚类结果有 着直接的影响，因此算法不能保证得到一个唯一的聚类结果。为消除这种影响，提出了一种基于K． 最近邻居图的划分来选择初始聚类中心算法．实验表明，本文算法能够有效减少K．-means算法的迭 代次数，提升聚类精度。 关键词：聚类中心初始化k-me锄s算法 1引 言 相似度，而不同簇中的对象差别较大llJ。数据聚类正在蓬勃发展，有贡献的研究领域包括数据挖掘，统计学， 机器学习，空间数据库技术，生物学，以及市场营销。由于数据库中收集了大量的数据，聚类分析已经成 为数据挖掘研究领域中一个非常活跃的研究课题。它既可以作为一个单独的工具以发现数据库中数据分布 的一些深入的信息，也可以作为其他数据挖掘分析算法的一个预处理步骤。 K-均值(k．means)【2】算法作为划分聚类算法的典型代表，具有算法完善、应用广泛的特点。但传统的 “means算法对初始聚类中心敏感，从不同的初始聚类中心出发，得到的聚类结果也不一样，并且一般不 会得到全局最优解。在实际应用中，由于初始输入不同而造成结果的波动是不能接受的。因此怎样找到一 组初始中心点，从而获得一个较好的聚类效果并消除聚类结果的波动性对k-meanS算法具有重要意义。 针对初始聚类中心的选择，许多学者进行了研究。比较典型的有Paul s．BIIadley等提出的基于采样的 现多个初始类中心点属于同一实际类别的状况，J．T．Tou等人16J提出限制初始类中心点之间的距离的方法。 这些方法在一定程度上提高了K．均值算法的性能，但在聚类准确率、初始化聚类中心所用时间和聚类迭代 次数方面都有待进～步提高l¨。 本文提出了一种新的基于K．最近邻居图的划分来寻找初始聚类中心的方法，使得初始聚类中心的分布 尽可能体现数据的实际分布，从而以达到减少聚类迭代次数，提高聚类准确率和稳定性。实验表明了这种 方法的可行性和有效性。 2基于K．最近邻居图划分的聚类中心初始化算法 2．1K．最近邻居图 K．最近邻居图(K．NearestNei曲borGr印h)中的每个点代表一个数据对象，如果一个对象是另一个对象 三2垒 盐笠塑I垫盔三壅旦鲨星：2QQ2 的K个最类似的对象之一，则在两个顶点(对象)之间存在一条边。 把冈变量(或回应)和自变量联系起来。我们所做的唯一的假设是，认为它是一个光滑的函数。那么一个 合理的想法就是在观测点集中寻找和它(根据白变量)相近的观测点。当我们谈到邻居时，通常隐含着我 们能够计算观测点间的距离或相异的度量，这些度量能够根据自变量得出。这里，我们局限于最常见的 当讨论聚类方法的时候，我们会考虑变量空间中点的距离的其它定义。 考虑到这里是要优化聚类初始中心，一方面所得K．最近邻居图的极大连通子图的数目要大于初始聚类 中心数目k，另一方面要便于后面所述的划分算法。再者，实验可以证明，K值的增加，对于初始聚类中心 的最后选定影响不大，一般选择2或3即可。例：假设数据挖掘任务是将如下8个点聚类为3个簇： (2，lO)，(2，5)，(8，4)，(5，8)，(7，5)，(6，4)，(1，2)，(4，9) 距离度量方法采用欧几里德距离(取整)得如下相异度矩阵(见图1)。生成2．最近邻居图(见图2)。 O 500 6l 85 O 364250O y 7l5014360 724l204I140 8l3273726754O 22456414505476O X