资料下载
如何使用多维网格空间进行改进K-means聚类算法资料概述
分享资料个
K-means算法是被广泛使用的一种聚类算法，传统的-means算法中初始聚类中心的选择具有随机性，易使算法陷入局部最优，聚类结果不稳定。针对此问题，引入多维网格空间的思想，首先将样本集映射到一个虚拟的多维网格空间结构中，然后从中搜索出包含样本数最多且距离较远的予网格作为初始聚类中心网格，最后计算出各初始聚类中心网格中所包含样本的均值点来作为初始聚类中心。此法选择出来的初始聚类中心与实际聚类中心拟合度高，进而可据此初始聚类中心稳定高效地得到最终的聚类结果。通过使用计算机模拟数据集和UCI机器学习数据集进行测试，结果表明改进算法的迭代次数和错误率比较稳定，且均小于传统-means算法测试结果的平均值，能有效避免陷入局部最优，并且聚类结果稳定。
聚类算法是一种典型的无监督学习算法，是利用样本的特征比较样本的相似性，将具有相似属性的样本划分到同一类或簇中的算法聚类算法的应用广泛，在数据挖掘、信息检索和图像分割等方面都有重要的作用迄今为止已经衍生出了众多的聚类算法，这些算法可以分为划分法、层次法、密度法、图论法、网格法和模型法等.K-means是一种典型的基于划分的聚类算法，其应用非常普遍，但是传统的-means算法存在一些不足之处，比如随机选择的初始聚类中心通常是不理想的，易使最后的聚类结果局部最优，而非全局最优；另外初始聚类中心选择的不稳定性，也会导致算法迭代次数及聚类结果的不稳定。很多研究人员对初始聚类中心的选择提出了优化的方法，中提出了一种基于最小生成树的层次K-means聚类算法，中提出了一种基于最小方差优化初始聚类中心的群means算法，但是这些算法在初始聚类中心选择的效果上仍不够理想，聚类结果的稳定性和准确性仍有待提高。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
