典型文献
加权k-means算法及其在高校贫困生判别中的应用
文献摘要:
高校贫困生资助一直以来是社会关注的重点,但贫困生判别问题是一项较为复杂的社会问题.为了准确科学地判别贫困生,研究采用k-means算法对学生校园卡日常消费数据进行聚类,分析学生贫困程度.但传统k-means算法对初始聚类中心选取较为敏感,容易陷入局部最优解,各维特征的权重也相同.研究针对这些不足进行改进,提出了基于平均密度与最远距离的变异加权k-means算法,利用变异系数作为权值,将密度最大的点作为初始聚类中心点,迭代选出k个距离初始中心点集最远的点作为初始聚类中心.改进的算法具有较高的聚类精度,聚类结果也更加稳定.在UCI数据集上的实验结果表明,本文方法具有较好的识别准确性,从而验证了本文方法的有效性,进而实现了贫困生判别.
文献关键词:
k-means;初始聚类中心;加权;变异系数;贫困生判别
中图分类号:
作者姓名:
张轶;高雪冬;郭亚伟;赵丙贺
作者机构:
河北工业大学生命科学与健康工程学院;河北工业大学人文与法律学院;河北工业大学
文献出处:
引用格式:
[1]张轶;高雪冬;郭亚伟;赵丙贺-.加权k-means算法及其在高校贫困生判别中的应用)[J].产业与科技论坛,2022(19):40-44
A类:
贫困生判别
B类:
means,高校贫困生资助,校园卡,日常消费,初始聚类中心选取,局部最优解,维特,最远,远距离,权值,初始中心点,点集,聚类精度,UCI
AB值:
0.204466
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。