一种用于多类别划分的中心点选择算法

摘要：

传统的K-means算法对初始聚类中心敏感,聚类结果随不同的初始输入而波动.当类别数目较多时,较好的初始聚类中心点集合的选择更为困难.针对K-means算法存在的这一问题,该文提出一种用于多类别划分的中心点选择算法(MC-KM).MC-KM通过放大中心点间长距离和短距离的影响的差距,增大短距离的比重,进而选择一个距离其他中心点都较远的样本作为中心点,然后使用传统K-means进行聚类.理论分析与实验结果表明,MC-KM在类数目较多的数据集中能取得更好的聚类结果,并且具有较好的稳定性.

关键词：聚类、MC-KM、K-means算法、初始中心点、相似度

所属期刊栏目：14

分类号：TP181(自动化基础理论)

在线出版日期：2018-06-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：188-190,194