通过密度思想和聚类有效性指标改进的K-means算法

摘要

K-means算法是常用的一种聚类分析算法.通常预先选取一个k值,然后再通过选取初始聚类中心进行聚类,直到结果不再收敛.但是传统K-means算法存在k值和初始中心点如何选取的问题,因此针对这一缺陷进行改进.通过密度参数的计算和考虑样本之间距离因素来选取初始聚类中心,并且对聚类有效性指标DBI进行改进,得到新的聚类有效性指标函数IDBI来分析不同k值下的聚类结果,从而得出最佳聚类数.结果 表明,IDBI值普遍比DBI小,更加趋于稳定,因此该算法相比传统算法具有更好的收敛性以及更高的准确性.