基于Spark平台的K-means算法的设计与优化

摘要：

聚类中心需要手动设置是K-means算法最大的问题,而通常情况是并不能确定现实中数据的分类情况.为了解决这一问题,提出了一种新的OCC K-means算法.不同于传统算法以随机选择的方式产生聚类中心,该算法进行必要的预处理,利用UPGMA和最大最小距离算法对数据点进行筛选,得到可以反映数据分布特征的点,并作为初始的聚类中心,以提高聚类的精度.从两次的实验结果可以对比出,在不同的数据集上,改进算法在衡量聚类效果的准确率、召回率、F-测量值上的表现要优于传统K-means算法.这是因为OCC算法选择的中心点来自于不同的且数据密集的区域,并在筛选的过程中排除了噪声数据、边缘数据对实验的干扰;同时为了契合大数据发展潮流,使用Scala语言在Spark平台进行了并行化实现,提高了算法处理海量数据的能力,并通过实验指标验证了算法具有良好的并行化能力.

关键词：聚类、聚类中心、K-means、最大最小距离算法、非加权组平均法

所属期刊栏目：29

分类号：TP301(计算技术、计算机技术)

资助基金：国家自然科学基金61640020;江苏省农业自主创新项目CX133054、CX161006;江苏省重点研发计划BE2016368-1;江苏省科技重点及面上项目SBE2018310371;弹总装线***技术研究JCKY2017***;Postgraduate Research&Practice Innovation Program of Jiangsu ProvinceSJCX17_0107;北京市教育委员会科技计划面上项目KM201510028019

在线出版日期：2019-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：72-76