基于新型距离度量的K-Modes聚类算法

简介：
本研究提出了一种基于新型距离度量的改进型K-Modes聚类算法，旨在提高处理大规模离散数据集时的准确性和效率。 传统的K-Modes聚类算法使用简单的0-1匹配差异方法来计算同一分类属性下两个属性值之间的距离，这种方法未能充分考虑它们的相似性。基于此问题，我们结合粗糙集理论提出了一种新的距离度量方式。这种新方法在评估相同类别属性中两个属性值间的区别时，弥补了简单0-1匹配法的不足之处，不仅考量到两者本身的异同点，还考虑到其他相关分类属性对它们之间的区分作用。我们将这一创新的距离度量应用到了传统的K-Modes聚类算法之中，并通过实验将其与基于其它距离度量方式的K-Modes聚类算法进行了比较。结果表明，这种新的距离度量方法在提高聚类效果方面更为有效。