决策支持系统与商务智能.docVIP

决策支持系统与商务智能算法的实现 [Java] K-Means 聚类算法首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然 后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。1）从N个文档随机选取K个文档作为质心 　　2）对剩余的每个文档测量其到每个质心的距离，并把它归到最近的质心的类 　　3）重新计算已经得到的各个类的质心 　　4）迭代2～3步直至新的质心与原质心相等或小于指定阀值，算法结束 　　具体如下： 　　输入：k, data[n]; 　　（1） 选择k个初始中心点，例如c[0]=data[0],…c[k-1]=data[k-1]； 　　（2） 对于data[0]….data[n]，分别与c[0]…c[k-1]比较，假定与c[i]差值最少，就标记为i； 　　（3） 对于所有标记为i点，重新计算c[i]={ 所有标记为i的data[j]之和}/标记为i的个数； （4） 重复(2)(3)，直到所有c[i]值的变化小于给定阈值。在 K-means 算法中，首先需要根据