基于改进聚类算法的数据挖掘系统的研究与实现-计算机技术专业论文.docxVIP

万方数据 万方数据 摘 要 摘 要 聚类之于数据挖掘就是对数据集中的数据应用某种方法进行分组，把具有相 似性质的事情区分加以分类。聚类算法在数据挖掘算法中占有重要的一席之地， 它被广泛的应用于各个领域，例如模式识别，模糊控制等等，因此越来越多的聚 类方式被提出和深入研究。聚类算法通常被分为 5 类，有基于层次的聚类，基于 划分的聚类，基于密度的聚类，基于模糊的聚类。 模糊 K-Means 聚类算法于 1981 年由 Beadek 提出，它是一个基于划分的聚类 算法，因为其效率高，可扩展性强，收敛速度快，被广泛的应用在数据挖掘中。 但是算法中也存在一些问题：聚类中心的选择，和假定各维特征权值相同。 在本文中，提出了一种改进的模糊 K-Means 算法。初始聚类中心的选择基于 平均距离，算法主体加入了权重的思想，权重代表不同维度对划分的贡献不同， 它考虑到整个数据集，数据的一个维度（属性值）的权值可以被当做对分类的贡 献大小，贡献大的属性权值较大，反之较小。权重可以加快聚类过程，并得到更 好的聚类结果。 BIRCH 算法是一种基于层次的聚类算法。它利用聚类特征(Clustering Feature, CF)，和聚类特征树(CF Tree)两个概念来描述算法过程。文章里分析了 BIRCH 算 法的存在的一些问题，提出了基于密度和动态阈值的任意形状的聚类算法。算法 将密度和阈值综合考虑，并