一种基于特征加权的K-Means算法研究

摘要

聚类分析是将研究对象分为相对同质的群组的统计分析技术，聚类分析的核心就是发现有用的对象簇.K-means聚类算法由于具有出色的速度和良好的可扩展性，一直备受广大学者的关注.然而，传统的K-means算法，未考虑各个属性对于最终聚类结果的影响差异性，这使得聚类的精度有一定的影响.针对上述问题，本文提出一种改进的特征加权算法.改进算法通过采用信息熵和ReliefF特征选择算法对特征进行加权选择，修正聚类对象间的距离函数，使算法达到更准确更高效的聚类效果.仿真实验结果表明，与传统的K-means算法相比，改进后的算法聚类结果稳定，聚类的精度有明显提升.