一种改进的距离度量的聚类算法

摘要：

针对传统的K均值聚类分析，不考虑对象中每个变量在聚类过程中体现作用的不同，而是统一看待，用这样计算的距离来表示两个对象的相似度并不确切。文中提出了一种基于距离度量的聚类算法，算法使用新的距离度量代替了K均值聚类算法的欧式距离，应用新的距离度量之后，数据点的权重不再只为1或0，而是由系数来确定，这就将硬划分转化为软划分。最后经过实验证明了改进的聚类算法比传统的K均值聚类收敛速度有了很大提高。提高了算法的执行效率。

关键词：数据挖掘、算法、欧氏距离、K均值聚类分析

所属期刊栏目：20

分类号：TP302(计算技术、计算机技术)

在线出版日期：2012-12-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：86-88