论文部分内容阅读
类内误差平方和最小化的聚类准则求解是NP难问题，K-Means采用的迭代重定位方法本质上是一种局部搜索的爬山算法，因此聚类结果对初始代表点的选择非常敏感，只能保证局部最优。为此，引入元启发式策略，通过建立评估函数对K-Means初始代表点和目标函数之间的依赖关系进行近似，然后利用近似评估函数指导新的初始代表点的选择，构成一种迭代自学习框架下的K-Means算法。实验表明算法可以很好地克服K-Means对初始代表点的依赖性，获得较高质量的聚类结果。