网络时代的高速发展,使得每时每刻都在产生着大量的数据信息。如何在这些具体应用数据中发现其潜藏的价值规律,从而获得有益信息,是目前研究所遇到的最大挑战。数据挖掘技术是一种从海量数据中揭示其潜在价值规律的有效方法,在投资决策、产品分析与风险预警等方面有着广泛的应用。聚类分析算法是数据挖掘技术常用的方式之一,根据数据特点和聚类目的可选取不同的聚类算法。其中,K-means聚类算法应用范围最广。但传统K-means聚类算法也存在一些缺陷:最佳聚类数不易确定、聚类指标间的冗余性与重要性差异会影响聚类的效果、聚类划分结果易受初始聚类中心选取的影响等。本文对传统K-means聚类算法所存在的某些缺陷进行优化。优化算法利用乘法合成法对主成分分析法与熵权法两种客观赋权方式所得的权重系数进行组合加权,从而充分考虑指标间重要性差异对聚类结果的影响;当肘部法则所确定的拐点不明确时,可以在经验法则的基础上,利用肘部法则进一步缩小最佳聚类数的取值范围,将缩小范围后的距离代价函数的最小值所对应的k值取为最佳聚类数;利用样本方差、距离与误差平方和优化初始聚类中心,可以有效避免异常数据作为初始聚类中心或初始聚类中心之间距离太近对聚类效果的影响,同时需要更少的迭代次数。最后,利用优化的K-means聚类算法将组合赋权下的67家家电行业公司进行聚类划分,并对每一类的划分结果进行了详细地说明,以便投资者可以结合本文算法与自身实际情况进行投资决策。