基于離散量改進(jìn)k-means初始聚類中心選擇的算法
大?。?/span>0.40 MB 人氣： 2017-11-20 需要積分：0
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評論（0）
標(biāo)簽：聚類(14184)K-means(11240)
傳統(tǒng)kmeans算法由于初始聚類中心的選擇是隨機(jī)的，因此會使聚類結(jié)果不穩(wěn)定。針對這個(gè)問題，提出一種基于離散量改進(jìn)k-means初始聚類中心選擇的算法。算法首先將所有對象作為一個(gè)大類，然后不斷從對象數(shù)目最多的聚類中選擇離散量最大與最小的兩個(gè)對象作為初始聚類中心，再根據(jù)最近距離將這個(gè)大聚類中的其他對象劃分到與之最近的初始聚類中，直到聚類個(gè)數(shù)等于指定的足值。最后將這是個(gè)聚類作為初始聚類應(yīng)用到k -means算法中。將提出的算法與傳統(tǒng)k-means算法、最大最小距離聚類算法應(yīng)用到多個(gè)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的k-means算法選取的初始聚類中心唯一，聚類過程的迭代次數(shù)也減少了，聚類結(jié)果穩(wěn)定且準(zhǔn)確率較高。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于離散量改進(jìn)k-means初始聚類中心選擇的算法下載
相關(guān)電子資料下載
- 對新輔助TCHP治療響應(yīng)的HER2+乳腺癌空間蛋白質(zhì)組特征 547
- 使用輪廓分?jǐn)?shù)提升時(shí)間序列聚類的表現(xiàn) 316
- 基于K-means聚類算法的圖像分割 1113
- 介紹一種基于最小化平方誤差的聚類算法 498
- 介紹一種基于分層聚類方法的木馬通信行為檢測模型 1060
- 深度學(xué)習(xí)聚類的綜述 780
- 聚類分析中的機(jī)器學(xué)習(xí)與統(tǒng)計(jì)方法綜述（二） 679
- 如何在 Python 中安裝和使用頂級聚類算法 415
- 聚類分析中的機(jī)器學(xué)習(xí)與統(tǒng)計(jì)方法綜述（一） 638
- 物體檢測與跟蹤算法 974