一种基于相对最离散维分割的K‑means聚类初始中心选取方法

摘要

本发明公开了一种基于相对最离散维分割的K‑means聚类初始中心点选取的方法。该方法思路为：给定一个D维的数据集，s1.对数据集进行降维处理；s2.评估降维后的数据集每个维度的离散程度；s3.选择相对最离散维进行分割，依照该维均值点将所有数据分为两类；s4.选取进行分割后的类别中数据点最多的一类，按照s2和s3选取相对最离散维，将其继续按照最离散维均值点处进行分割，依照上述步骤直到分割为所需的类别数为止；s5.对每个分割好的类别中数据求均值；s6.将每个类别的均值进行升维操作，并作为K‑means聚类的初始中心点。本发明的有益效果是：降维后的数据能减少运算量，加快运算速度，使得K‑means聚类能够以更少的迭代次数达到更高的聚类准确率。