基于目标特征选择和去除的改进K-means聚类算法
针对高维数据聚类中K-means算法无法有效抑制噪声特征、实现不规则形状聚类的缺点,提出一种基于目标点特征选择和去除的改进K-均值聚类算法.该算法使用闵可夫斯基规度作为评价距离进行目标点的分类,增设权重调节参数a、重置权重系数α进行特征选择和去除,可有效减小非聚类指标特征带来的噪声影响.算法验证实验选取UCI真实数据集和人工数据集进行聚类分析,验证改进算法对抑制噪声特征的有效性,与WK-means、iMWK-means算法进行实验对比,分析聚类学习时特征选择的适用性,同时寻找最优的距离系数β和权重系数α.
K-均值算法、特征选择、高维数据聚类、特征赋权、数据去噪
34
N945(系统科学)
国家自然科学基金项目61501493
2019-06-03(万方平台首次上网日期,不代表论文的发表时间)
共8页
1219-1226