1、聚類分析是數(shù)據(jù)挖掘的功能之一,是在訓(xùn)練數(shù)據(jù)不提供類標(biāo)號(hào)的情況下按照最大化類內(nèi)對(duì)象間的相似性、最小化不同類對(duì)象之間的相似性的原則聚類和分組數(shù)據(jù)。目前,存在著大量的聚類算法,K均值算法是應(yīng)用廣泛的聚類算法之一。
　　 K均值算法的優(yōu)點(diǎn)是:算法思想簡(jiǎn)單:時(shí)間復(fù)雜度接近線性:對(duì)大規(guī)模數(shù)據(jù)的挖掘具有可伸縮性,但是該算法存在如下缺點(diǎn):對(duì)聚類初始值的依賴:聚類個(gè)數(shù)K需要預(yù)先給定:準(zhǔn)則函數(shù)易陷入局部極小:對(duì)離群點(diǎn)敏感等等。
　　 本文重

2、點(diǎn)針對(duì)K均值算法對(duì)初始聚類中心的依賴性,提出了基于密度選取K個(gè)初始聚類中心的算法。其主要思想是:在一個(gè)數(shù)據(jù)集合里,高密度區(qū)域的數(shù)據(jù)對(duì)象被低密度區(qū)域的對(duì)象所分割,處于低密度區(qū)域的數(shù)據(jù)對(duì)象通常被認(rèn)為是噪聲點(diǎn)。首先根據(jù)兩個(gè)參數(shù)(鄰域半徑e、高密度點(diǎn)在鄰域半徑內(nèi)至少包含數(shù)據(jù)對(duì)象的數(shù)目MinPts),劃分高低密度點(diǎn),然后取高密度點(diǎn)集合G中相距最遠(yuǎn)的K個(gè)點(diǎn)作為初始聚類中心。通過(guò)在不同數(shù)據(jù)集(來(lái)自UCI數(shù)據(jù)庫(kù))上對(duì)兩個(gè)算法的多次對(duì)比實(shí)驗(yàn),驗(yàn)證了基于密

3、度選取K個(gè)初始聚類中心的K均值算法比傳統(tǒng)的K均值算法聚類結(jié)果準(zhǔn)確率更高,更穩(wěn)定。
　　 研究進(jìn)一步給出了基于距離矩陣D確定ε和MinPts參數(shù)值的方法。主要思想是:通過(guò)距離矩陣計(jì)算每個(gè)對(duì)象距離的中間值(median),然后取這些中間值的平均值作為ε的值。計(jì)算每個(gè)對(duì)象鄰域半徑ε內(nèi)對(duì)象的個(gè)數(shù),將這些個(gè)數(shù)相加,再除以2*n,獲得參數(shù)MinPts的值,其中n是數(shù)據(jù)集對(duì)象的個(gè)數(shù)。通過(guò)檢驗(yàn)聚類結(jié)果是否理想或者以文獻(xiàn)已給定的經(jīng)驗(yàn)值作正確性判斷