数据挖掘中几种划分聚类算法的比较及改进的中期报告.docxVIP

数据挖掘中几种划分聚类算法的比较及改进的中期报告

作为一个数据挖掘领域的常见任务，聚类在各类数据中均扮演着重要的角色。为了划分数据，对聚类算法的研究也逐渐深入。在本次中期报告中，我们将比较几种常见的划分聚类算法，以及针对其缺陷进行的改进。

1.K-means算法

K-means算法是一种常见的划分聚类算法，其具体流程为：首先随机初始化K个聚类中心，接着将每个样本点分配到与其最近的聚类中心；然后重新计算每个聚类的质心，重复上述两个操作直到收敛。K-means算法的缺陷在于其对初始化十分敏感，同样的数据可能由于初始聚类中心的不同导致不同的结果。

2.K-medoids算法

针对K-means算法的缺陷，K-medoids算法采用了聚类中心点的实际样本点作为聚类中心（即medoids），从而防止了选取聚类中心点带来的不稳定性。具体流程为：随机选取K个样本点作为medoids，迭代地将剩余样本点分配到与其最近的medoids，然后尝试将medoids替换成其它样本点，如果替换后的聚类中心更优，则进行替换。但K-medoids算法仍然存在两个最大的问题：首先，该算法只能在小数据集上使用；其次，替换操作仅尝试了一个点，但是替换策略的每次选择都会影响后续的运算。

3.BisectingK-means算法

BisectingK-means算法是一种基于递归的划分聚类算法。该算法首先将所有