基于初始聚类中心选取的改进K-means算法

摘要：

基于传统的K-均值(K-means)聚类算法,提出了一种通过优化初始聚类中心选取的改进K-均值聚类算法.改进之后的方法,首先计算所有数据中任意两点间的欧氏距离,通过比较距离大小,选取最小时的其中一点作为第1个初始聚类中心,在剩余的数据中,选择尽可能远离该点的数据点作为第2个初始聚类中心,依此类推,直至找到需要的 k个点,然后再根据K-均值聚类算法迭代更新聚类中心,当达到最大迭代次数时停止.使用误差平方和(SSE)作为算法的评估标准,通过实验可知,提出的方法与传统的K-means聚类算法相比稳定性和准确率等方面有所提高.

关键词：K-means算法、初始聚类中心选取、最小距离、SSE

所属期刊栏目：41

分类号：TP181;TN957(自动化基础理论)

资助基金：上海市自然科学基金;大数据协同安全国家工程实验室项目

在线出版日期：2022-11-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：54-59