论文部分内容阅读
【摘 要】K-means 算法是最常用的聚类算法之一，有很多的优点，但也存在着不足。它不仅对样本的输入顺序敏感， 可能产生局部最优解，而且受孤立点的影响很大。文章首先探讨了k-means算法的思想与实现，并进一步研究了算法优缺点。
【关键词】聚类分析 聚类算法 K- means算法
聚类，即将数据对象按其性质特征进行分组，使得组内数据间的相似度最大，而组间的数据相似度最小。组通常也被称为簇。目前已经提出许多聚类算法，这些算法可划分为：基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法和基于模型的方法等。基于划分的方法具有坚实的数学理论基础，所以，虽然此类聚类技术出现较早，但依然受到业界的重视。
一、基于划分的聚类方法
给定一个数据对象，该对象包含了数据库的N，和簇的数目以生成算法的基础上进入目标组织的数据划分为K个（K≤N），其中每个分区代表一个集群。这种分工的K满足以下条件：
（一）每个分区包含至少一个数据记录；
（二）每个数据记录属于一个且只有一个分区（注：这需要一些模糊聚类算法可以适当放宽）。
对于一个给定的K值，给出一个初始的算法首先划分方法，迭代法改变师，这样每次划分方案，改进后的第一个比以前更好，所谓的好标准是：在同一部门记录越近越好，不同的分工尽可能记录。
使用这个想法算法：k-means算法，K-medoids算法，CLARANS算法。经常使用的分区标准（通常称为相似性函数），如距离在同一个集群的对象是“相似”，而不同的对象集群中的“异种”。
二、k-means算法的思想与实现
基于分区的聚类算法，k-means算法是最简单的。 K-means算法与k n个对象作为输入参数，组合成k个聚类，结果使得集群内的相似性高，而簇间的相似度低。与k-means算法的过程如下：
（一）随机分配到所有K表对象非空簇；
（二）计算出的平均值为每个群集的平均值，表示相应的群集；
（三），根据它们之间的距离从每个群集的中心中的每个对象，它重新分配到最接近的群集；
（四）把前两个）的步骤，直到收敛标准功能。
参考文献：
[1] 韩家炜.数据挖掘——概念与技术[M]（范明，孟小峰译）.机械工业出版社.2001.
[2] 行小帅，焦李成.数据挖掘的聚类方法.电路与系统学报，1（2003），59-67.
[3] Aristidis Likas， Nikos Vlassis， Jakob J. Verbeek. The global k-means clustering algorithm. Pattern Recognition 36 （2003） 451-461.
[4] Raymond T. Ng， Jiawei Han. Efficient and Effective Clustering Methods for Spatial Data Mining. Procedings of the 20th VLDB Conference， Santiago， Chile， 1994，144-155.
【关键词】聚类分析 聚类算法 K- means算法
聚类，即将数据对象按其性质特征进行分组，使得组内数据间的相似度最大，而组间的数据相似度最小。组通常也被称为簇。目前已经提出许多聚类算法，这些算法可划分为：基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法和基于模型的方法等。基于划分的方法具有坚实的数学理论基础，所以，虽然此类聚类技术出现较早，但依然受到业界的重视。
一、基于划分的聚类方法
给定一个数据对象，该对象包含了数据库的N，和簇的数目以生成算法的基础上进入目标组织的数据划分为K个（K≤N），其中每个分区代表一个集群。这种分工的K满足以下条件：
（一）每个分区包含至少一个数据记录；
（二）每个数据记录属于一个且只有一个分区（注：这需要一些模糊聚类算法可以适当放宽）。
对于一个给定的K值，给出一个初始的算法首先划分方法，迭代法改变师，这样每次划分方案，改进后的第一个比以前更好，所谓的好标准是：在同一部门记录越近越好，不同的分工尽可能记录。
使用这个想法算法：k-means算法，K-medoids算法，CLARANS算法。经常使用的分区标准（通常称为相似性函数），如距离在同一个集群的对象是“相似”，而不同的对象集群中的“异种”。
二、k-means算法的思想与实现
基于分区的聚类算法，k-means算法是最简单的。 K-means算法与k n个对象作为输入参数，组合成k个聚类，结果使得集群内的相似性高，而簇间的相似度低。与k-means算法的过程如下：
（一）随机分配到所有K表对象非空簇；
（二）计算出的平均值为每个群集的平均值，表示相应的群集；
（三），根据它们之间的距离从每个群集的中心中的每个对象，它重新分配到最接近的群集；
（四）把前两个）的步骤，直到收敛标准功能。
参考文献：
[1] 韩家炜.数据挖掘——概念与技术[M]（范明，孟小峰译）.机械工业出版社.2001.
[2] 行小帅，焦李成.数据挖掘的聚类方法.电路与系统学报，1（2003），59-67.
[3] Aristidis Likas， Nikos Vlassis， Jakob J. Verbeek. The global k-means clustering algorithm. Pattern Recognition 36 （2003） 451-461.
[4] Raymond T. Ng， Jiawei Han. Efficient and Effective Clustering Methods for Spatial Data Mining. Procedings of the 20th VLDB Conference， Santiago， Chile， 1994，144-155.