摘要：K均值聚类算法在数据挖掘、机器学习领域被广泛应用。但其初始聚类中心的选取对整个聚类效果会产生很大的影响，因此，如何合理地初始化K均值聚类算法成为重要的研究方向。提出一种基于数据内在密集性的自适应初始聚类中心选取方法。该方法分为两个过程，第一个过程给出数据密集性的定义，并基于数据密集性选出满足条件的候选初始聚类中心，第二个过程是对选出的候选初始中心进行后处理，使其个数与数据类一致。实验证明，提出的方法有如下优势：1）能够自主发现数据集中数据分布的密集性，并能够合理找出初始聚类中心；2）对离群点和噪声鲁棒；3）减少了K均值聚类算法的迭代步骤；4）易于实现。

原文链接:http://www.cqvip.com//QK/90976X/201402/48562934.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）