K-means聚类算法的一种改进方法

摘要

聚类分析是数据挖掘中的重要研究之一，其算法的好坏直接影响到聚类效果。本文首先论述了经典的K-means聚类算法，然后分析讨论了K-means聚类算法对K值的选择，初始聚类中心的选择及对噪声与孤立点数据敏感等方面的不足，并利用了基于距离算法的孤立点剔除理论，来消除噪声和孤立点等数据对K-means聚类质量的影响，最后通过实验证明，改进后的K-means聚类算法更好的提高了聚类质量。