1、迄今為止，人們已經(jīng)提出了許多聚類算法。由于k-means類型算法在對大規(guī)模數(shù)據(jù)進行聚類時效率較高而且具有處理數(shù)值屬性和分類屬性的能力，從而被廣泛應用在市場研究和數(shù)據(jù)挖掘領域中。
　　然而，在數(shù)據(jù)挖掘過程中，應用k-means類型算法的一個主要問題就是變量選擇問題。k-means類型算法在聚類過程中對每一個變量都同等看待，不具備自動選擇變量的能力。實際上，一個用戶感興趣的聚類結構通常只限定在變量集合的一個子集上，而并非整個變量集合，

2、由于包含了某些噪音變量可能會掩蓋了聚類結構的發(fā)現(xiàn)。在現(xiàn)實世界的數(shù)據(jù)庫中,例如大銀行中的客戶數(shù)據(jù)庫,通常包含大量的屬性（變量），而每個變量對聚類結果的貢獻都不相同。因此，怎樣從大量的變量當中選擇合適的變量進行聚類是一個非常困難并且非常重要的問題。
　　本文實現(xiàn)了一個基于k-means的變量自動加權聚類算法W-k-means，并通過在模擬數(shù)據(jù)上與不帶權重的k-means類型算法和具有固定權重的k-means類型算法進行了實驗分析，證明

3、了W-k-means算法在識別噪音變量和發(fā)現(xiàn)聚類能力上的優(yōu)越性。其次，本文基于W-k-means算法并結合K-mode和K-prototypes算法，分別提出了處理分類屬性的變量加權聚類算法W-k-mode和處理數(shù)值和分類混合屬性的變量加權算法W-k-prototypes，并通過實驗證明其發(fā)現(xiàn)聚類能力的優(yōu)越性。最后，基于W-k-prototypes算法實現(xiàn)了一個符合業(yè)界標準CRISP（CrossIndustryStandardProce