摘要
传统的k-means算法及改进的k-means++算法中,簇的初始中心点选择都是随机的,这导致聚类结果可能陷入局部最优,使得算法对一些实际问题无效。为了克服这个缺陷,提出一种基于半径的k-means+λ算法,在选择簇的初始中心点时,根据λ参数计算各点间距离比例,并以某个特定的距离为半径作圆,在圆内根据距离比例选择一个初始化中心点。在相同的测试环境下,采用KDD CUP99数据集测试。测试结果表明,相比k-means算法和k-means++算法,本算法在错误率和运算时间上具有更高的性能。
学科与关键词
关键词
k-means聚类k-means++k-means+&lambda距离 k-meansclusterk-means++k-means+&lambdadistance
- 一种改进的K-Means聚类算法的研究王雪梅; 李晓峰; 高巍巍计算机与数字工程, 2013, (11): 1717.
- K-Means聚类算法研究综述杨俊闯; 赵超计算机工程与应用, 2019, (23): 7-14+63.
- 一种优化初始中心的K-means聚类算法邓海; 覃华; 孙欣计算机技术与发展, 2013, (11): 42-45.
