大数据处理的优化抽样聚类K-means算法

　针对大数据环境下K-means聚类算法聚类精度不足和收敛速度慢的问题，提出一种基于优化抽样聚类的K-means算法（OSCK）。首先，该算法从海量数据中概率抽样多个样本；其次，基于最佳聚类中心的欧氏距离相似性原理，建模评估样本聚类结果并去除抽样聚类结果的次优解；最后，加权整合评估得到的聚类结果得到最终五个聚类中心，并将这K个聚类中心作为大数据集聚类中心。理论分析和实验结果表明，OSCK面向海量数据分析相对于对比算法具有更好的聚类精度，并且具有很强的稳健性和可扩展性。