基于網格的K-means算法與聚類有效性指標.pdf

1、數據聚類就是將一個數據集中的數據按照某種條件聚成若干個簇，使得簇中的數據相似性較高，而簇間的數據則相異性較高的過程。聚類分析已被確認為是知識發(fā)現方面主要的數據挖掘工具并應用在眾多領域，如模式識別，基因組分析和市場研究。K-means聚類算法應用在聚類任務的很多方面，但是K-means本身存在著以下的缺點。首先，初始化問題，即隨機選取的初始值可能會導致不同的聚類結果，甚至會造成無解；其次，用戶必須輸入先驗的類數；再次，K-means算法是

2、噪聲敏感的；最后，K-means算法處理大型數據集的效率和結果往往是不能接受的。相對于K-means算法，大多數現有的網格聚類算法具有線性的時間和空間復雜度，從而可以很好地實施在大型數據集。
　　 在本文中，提出了一種基于網格的劃分式算法，以克服K-means算法的缺點。這個新算法基于兩個主要的思想：1)極大化一組網格的平均密度代替K-means算法目標函數中使用的極小化最小平方誤差；2)使用基于網格的聚類算法徹底改變K-mea

3、ns算法中對象驅動的目標(數據)分配方式。因此，比起K-means算法，本文提出的算法獲得了大約10～100倍的平均加速，同時能獲得更好的劃分結果。相比K-means算法，本文提出的算法還具有能處理類數未知的數據集的能力。通過與包括K-means算法在內的四個典型聚類算法在具有不同特征數據集上的聚類效果相比較，本文提出的算法的效率已被成功地驗證。聚類有效性在聚類分析中有重要的研究價值。許多聚類有效性指標已經被提出用來估計類數。然而，面向