基于孤立點自適應的K-means算法
摘要：孤立點的存在使聚類中心的計算產生較大誤差,影響K-means算法的聚類效果.針對該問題,引入謝林模型,使孤立點能夠自動移動到其鄰居所在位置,消除孤立點,同時,對K-means算法過程中的距離計算、初始聚類中心選取環節進行改進,提出基于孤立點自適應的K-means算法.該算法首先對原始數據進行歸一化處理,以提高距離計算的準確性;然后,根據謝林模型的基本思想,將孤立點移動到其最近的多鄰鄰居;接著,由類簇的數目確定鄰居樣本的搜索范圍,確定初始聚類中心;最后,根據移動后的數據集和初始聚類中心,進行K-means聚類.在UCI機器學習數據庫中經典聚類數據集上的實驗結果表明,該算法可顯著提升聚類的精度,同時,簇的內聚性也比較好.
注: 保護知識產權,如需閱讀全文請聯系河南科學雜志社
相關推薦
更多
