改进的k_平均聚类算法研究.doc

— 200 — 改进的 k-平均聚类算法研究 孙士保 1,2,秦克云 1 (1. 西南交通大学智能控制开发中心,成都 610031; 2. 河南科技大学电子信息工程学院,洛阳 471003 摘 要:聚类算法的好坏直接影响聚类的效果。该文讨论了经典的 k-平均聚类算法,说明了它存在不能很好地处理符号数据和对噪声与孤 立点数据敏感等不足,提出了一种基于加权改进的 k-平均聚类算法,克服了 k-平均聚类算法的缺点,并从理论上分析了该算法的复杂度。 实验证明,用该方法实现的数据聚类与传统的基于平均值的方法相比较,能有效提高数据聚类效果。 关键词:聚类算法; k-平均;权;聚类数据挖掘 Research on Modified k-means Data Cluster Algorithm SUN Shibao1,2, QIN Keyun1 (1. Intelligent Control Development Center, Southwest Jiaotong University, Chengdu 610031; 2. Electronic Information Engineering College, Henan University of Science and Technology, Luoyang 471003 【 Abstract 】 The method of data clustering will influence the effect of clustering directly. The algorithm of k-means is discussed, the shortagesof this algorithm such as it can not deal with symbolic data and it is sensitive for data of isolation point and noise are demonstrated. A modified k-meansclustering algorithm based on weights is put forward, it changes the shortcomings of k-means. Its complexity is analyzed from theoretical. Theexperiments show that, compared with traditional method based on means, the modified data clustering algorithm can improve the efficiency of dataclustering. 【 Key words】 cluster algorithm; k-means; weights; cluster data mining 计 算 机 工 程 Computer Engineering第 33卷 第 13期 Vol.33 No.13 2007年 7月 July 2007 ·人工智能及识别技术 · 文章编号:1000— 3428(200713— 0200— 02 文献标识码:A 中图分类号:TP183 聚类是将物理或抽象对象的集合分组成为由类似的对象 组成的多个类的过程。它的目的是使得属于同一类别的个体 之间的相似度尽可能大,而不同类别的个体之间的相似度尽 可能小。在机器学习领域,聚类是无指导学习的一个例子。 聚类分析是知识发现的重要方法,在图像识别、信息检索、 数据挖掘、统计学、机器学习、空间数据库、生物学以及市 场营销等领域有着广泛的应用 [1~4]。 目前常用的聚类算法包括:以 k-平均算法 (k-Means[5]和 k-中心点算法 (k-Medoid[6]为代表的划分法;以 AGNES [6]和 DIANA [6]为代表的层次聚类算法; 以 DBSCAN [7]和 OPTICS [8]为代表的基于密度的方法;以 STING [9]为代表的基于网格的 方法;以 COBWEB [2]和 SOM [10]为代表的基于模型的方法; 以顺序地比较一个集合中的对象 [11]和 OLAP 数据立方体 [12]为代表的基于孤立点的分析方法。这些方法中的大部分聚类 算法都是面向数值属性,而针对符号属性的比较少 [1,2]。现有 许多改进的算法,如基于数据场改进的 PAM 聚类算法 [13], 基于 Rough 集的层次聚类算法 [14]。对于文献 [13]中基于数据 场改进的 PAM 聚类算法是一种较好的划分聚类算法, 但在处 理数据场势函数时的计算开销很大,很难应用到大型数据集 中去;另外,它对数值属性效果较好,对符号属性基本上不 能