一种改进K-means聚类算法的MapReduce并行化实现

摘要

针对K-means聚类算法对初始聚类中心点的选择较敏感的问题,本文借鉴最大最小距离的思想,提出了一种改进的K-means聚类算法。该算法通过优化初始聚类中心点来减少算法的迭代次数,提高聚类的性能。采用MapReduce编程模型,将改进的K-means聚类算法并行化设计,使用局部和全局的方法处理数据集,改变了传统分布式K-means聚类算法的工作方式,有效的降低了算法执行过程中的通信开销。实验结果表明改进K-means算法的并行化实现具有良好的加速比。