典型文献
基于优化初始聚类中心和轮廓系数的 K-means 聚类算法
文献摘要：
传统K-means聚类算法初始聚类中心以及聚类数目K是随机确定的,聚类结果受其影响较大,这样容易造成聚类结果不稳定且准确率较低.针对上述问题,本文提出一种基于优化初始聚类中心和轮廓系数的K-means聚类算法.首先,为了选出准确的初始聚类中心,引入平均样本距离和误差平方和,构造初始聚类中心的选取方法,使得选取的初始聚类中心是样本相对集中的点,有效避免选择离群点;然后,为了选择出最佳聚类数目K,基于最近簇中心进行簇的合并,基于中位数构造轮廓系数,设计基于中位数的平均轮廓系数评价指标,判断簇合并之后的最佳K;最后,通过以上两种方法选择合理的初始聚类中心和K,进而设计了基于优化初始聚类中心和轮廓系数的K-means聚类算法.在选取的合成数据集和UCI数据集上进行测试与分析.实验结果表明,本文所提算法能够选取最优的K和唯一的初始中心点,获得了更好的聚类结果,同时也提升了聚类算法的稳定性.
文献关键词：
K-means算法;聚类中心;K值;中位数;轮廓系数
中图分类号：
作者姓名：
孙林;刘梦含;徐久成
作者机构：
河南师范大学计算机与信息工程学院,河南新乡 453007;智慧商务与物联网技术河南省工程实验室,河南新乡 453007
文献出处：
引用格式：
[1]孙林;刘梦含;徐久成-.基于优化初始聚类中心和轮廓系数的 K-means 聚类算法)[J].模糊系统与数学,2022(01):47-65
A类：
B类：
初始聚类中心,means,聚类算法,平方和,离群点,最佳聚类数,簇中心,中位数,平均轮廓系数,方法选择,合成数据集,UCI,测试与分析,初始中心点
AB值：
0.18523
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
