一种改进的K-Means算法

摘要：

传统K-Means对算法使用者有较高的要求,需要明确K值,并确定初始中心点的位置.通过定义、检测并删除离群点,运用Canopy算法辅助确认K值范围和粗略中心点,借助Silhouette评价指标选择最优K值及其对应的聚类结果的方法,对传统K-Means算法进行改进,改进后的算法不需要手工输入K值和初始中心点.验证结果表明:改进的K-Means算法在聚类时,结果稳定准确,且当数据点数量较大时在迭代次数方面略优于传统算法.

关键词：K-均值聚类算法、离群点、仿真实验、Silhouette指标

所属期刊栏目：20

分类号：TP312(计算技术、计算机技术)

资助基金：河南省社科联、河南省经团联调研课题SKL-2016-2062

在线出版日期：2018-07-02（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：18-20