如何使用多維網(wǎng)格空間進(jìn)行改進(jìn)K-means聚類算法資料概述

　　K-means算法是被廣泛使用的一種聚類算法，傳統(tǒng)的-means算法中初始聚類中心的選擇具有隨機(jī)性，易使算法陷入局部最優(yōu)，聚類結(jié)果不穩(wěn)定。針對(duì)此問題，引入多維網(wǎng)格空間的思想，首先將樣本集映射到一個(gè)虛擬的多維網(wǎng)格空間結(jié)構(gòu)中，然后從中搜索出包含樣本數(shù)最多且距離較遠(yuǎn)的予網(wǎng)格作為初始聚類中心網(wǎng)格，最后計(jì)算出各初始聚類中心網(wǎng)格中所包含樣本的均值點(diǎn)來作為初始聚類中心。此法選擇出來的初始聚類中心與實(shí)際聚類中心擬合度高，進(jìn)而可據(jù)此初始聚類中心穩(wěn)定高效地得到最終的聚類結(jié)果。通過使用計(jì)算機(jī)模擬數(shù)據(jù)集和UCI機(jī)器學(xué)習(xí)數(shù)據(jù)集進(jìn)行測(cè)試，結(jié)果表明改進(jìn)算法的迭代次數(shù)和錯(cuò)誤率比較穩(wěn)定，且均小于傳統(tǒng)-means算法測(cè)試結(jié)果的平均值，能有效避免陷入局部最優(yōu)，并且聚類結(jié)果穩(wěn)定。

　　聚類算法是一種典型的無監(jiān)督學(xué)習(xí)算法，是利用樣本的特征比較樣本的相似性，將具有相似屬性的樣本劃分到同一類或簇中的算法聚類算法的應(yīng)用廣泛，在數(shù)據(jù)挖掘、信息檢索和圖像分割等方面都有重要的作用迄今為止已經(jīng)衍生出了眾多的聚類算法，這些算法可以分為劃分法、層次法、密度法、圖論法、網(wǎng)格法和模型法等.K-means是一種典型的基于劃分的聚類算法，其應(yīng)用非常普遍，但是傳統(tǒng)的-means算法存在一些不足之處，比如隨機(jī)選擇的初始聚類中心通常是不理想的，易使最后的聚類結(jié)果局部最優(yōu)，而非全局最優(yōu)；另外初始聚類中心選擇的不穩(wěn)定性，也會(huì)導(dǎo)致算法迭代次數(shù)及聚類結(jié)果的不穩(wěn)定。很多研究人員對(duì)初始聚類中心的選擇提出了優(yōu)化的方法，中提出了一種基于最小生成樹的層次K-means聚類算法，中提出了一種基于最小方差優(yōu)化初始聚類中心的群means算法，但是這些算法在初始聚類中心選擇的效果上仍不夠理想，聚類結(jié)果的穩(wěn)定性和準(zhǔn)確性仍有待提高。