关于初始聚类中心优化的K-均值算法研究（基于样本空间分布密度）.pdf

简介：
本文针对传统K-均值算法在初始聚类中心选择上的不足，提出了一种基于样本空间分布密度优化方法。通过改进初始化步骤，提高了聚类结果的稳定性和准确性，适用于大规模数据集分析。 本段落提出了一种基于样本空间分布密度的初始聚类中心优化K-均值算法，以解决传统K-均值聚类算法对初始聚类中心敏感及现有初始聚类中心优化方法缺乏客观性的问题。该算法通过利用数据集中的样本空间分布信息来定义每个对象的密度，并根据整个数据集的空间特征确定各对象的邻域范围；在此基础上选择位于密集区域且相互距离较远的数据点作为K-均值聚类过程中的初始聚类中心，以改进传统方法的效果。实验结果显示，在UCI机器学习数据库和包含噪声的人工生成数据集中应用该算法时，不仅能够获得优秀的分类结果，同时在运行效率上也表现出优势，并具备较强的抗噪能力。因此可以认为基于样本空间分布密度的优化K-均值聚类中心选择策略相较于传统方法及现有的改进方案更具优越性。