k-中心点轮换法：新聚类算法与最优聚类数决策

本文主要探讨了k-中心点轮换法，一种在聚类分析领域的新方法，由作者陈新泉在华南理工大学计算机科学与工程学院提出。首先，文章回顾了k-平均算法和k-中心点算法的基本原理，这两种算法都是基于距离的聚类分析方法，但k-中心点算法以其对初始中心点集的鲁棒性而受到关注。 作者引入了单纯型法的思想，对k-中心点算法进行了改进，提出了k-中心点轮换法。这种方法旨在通过牺牲计算效率（时间复杂度较高），优化搜索过程，从而提高聚类的效果。在实验中，该方法在处理具有明显聚类结构且簇大小相对均衡的数据集时，表现出优于k-平均和k-中心点算法的聚类质量和稳定性。 作者强调，选择合适的聚类数目是聚类分析的关键。他们通过对比实验证明，最理想的聚类数目通常出现在平均最终目标函数值随聚类数目增加而快速下降后转为缓慢变化的拐角处，这个拐点位置反映了聚类效果的转折点。 文章的关键词包括k-平均值、k-中心点、k-中心点轮换法以及确定聚类数目的重要性。整体而言，这篇论文提供了一个有效的方法论，即如何利用单纯型法优化k-中心点算法，以提升聚类分析的实际应用效果，并通过对不同类型数据集的实验验证了这一方法的有效性和适用范围。