可视化技术将数据以图像、动画等直观方式呈现给用户,用户可查看属性的特点、相关性、数据的分布等,更好地理解数据中隐藏的信息,从而辅助决策。随着数据规模的增加,可视化技术在降维和属性选择的研究中具有重要意义。聚类分析是机器学习的一个重要领域,本文以聚类算法为研究主线,将可视化技术应用在预处理和结果分析过程中,主要完成的工作如下：(1)本文选取了FastMap算法和MDS算法,映射高维数据,并通过模拟数据实验比较两种算法的映射特点。关于属性可视化算法：连接向量图,本文针对其转折点变化单一和数据分界不明显的缺陷,引入转折点的变化,提出连接向量树,并在模拟数据集和UCI数据集上进行实验,验证了可视化技术用于属性选择的可行性。(2)本文分析了kNN孤立点检测算法,针对该算法的检测结果受用户设置参数的影响较大的缺陷,引入阈半径和密集度阈值,提出基于最近邻距离差的孤立点检测算法。实验表明,改进算法降低了参数的影响,用户通过调整密集度阈值,可以判定孤立点强弱。(3)本文针对k-means算法聚类结果随初始中心的不同而波动的缺陷,提出基于层次聚类中最短距离类合并的改进k-means算法,首先采用基于最近邻距离差的孤立点检测算法去除数据集中的孤立点,通过最短距离合并小类,通过迭代,得到聚类中心。实验表明,通过优化的初始中心,k-means算法得到了稳定的聚类结果,并且有较高的正确率。本文在Matlab环境中集成了上述多种算法,构建了“属性选择与聚类可视化”实验平台,包括数据显示部分、算法选择部分和数据处理结果部分,并能够呈现k-means算法的聚类过程。