![](https://csdnimg.cn/release/download_crawler_static/18204863/bg1.jpg)
收稿日期:2013 -10 -01.
基金项目:辽宁省科技厅项目(No:2013020014) ,中国高等职业技 术教育研究 会 规划课题( No: GZYLX2011211) ,辽宁省教育科 学 “ 二
五” 规划( No:JG12DB211) .
作者简介:冷泳林(1978 -) ,女,讲师,大连理工大学博士研究生,主要从事数据挖掘,大数据处理方面的研究.
通讯作者:lengyonglin@qq.com.
基 于 离 群 点 检 测 的 K -means 算 法
冷泳林
倡,1,2
,张清辰
2
, 赵 亮
2
,鲁富宇
1
(1.渤海大学 高职学院,辽宁 锦州 121001;2.大连理工大学 软件学院,辽宁 大连 116621)
摘 要:K -means 算法以其简单、快速的特点在现实生活中得到广泛应用.然而传统 K -
means 算法容易受到噪声的影响,导致聚类结果不稳定,聚类精度不高.针对这个问题,提出一种
基于离群点检测的 K -means 算法,首先检测出数据集中的离群点,在选择初始种子的时候,避
免选择离群点作为初始种子.然后在对非离群点进行聚类完成后,根据离群点到各个聚类的距
离,将离群点划分到相应的聚类中.算法有效降低离群点对 K -means 算法的影响,提高聚类结
果的准确率.实验表明,在聚类类别数给定的前提下,在标准数据集 UCI 上该算法有效降低离群
点对 K -means 算法的影响,提高了聚类的精确率和稳定性.
关键词:聚类;K -means 算法;离群点;UCI 数据集
中图分类号:TP311 文献标志码:A 文章编号:1673 -0569(2014)01 -0034 -05
0 引言
聚类是将物理或抽象对象的集合分成由类似的对象组成多个类的过程,即“物以类聚,人以群分”.聚类
是数据挖掘中的一类重要技术,是分析数据并从中发现有用信息的一种有效手段.它将数据对象分组成为多
个类或簇,使得同一簇中的对象之间具有较高的相似度,而不同簇中的对象差别很大
〔1〕
.聚类已经广泛应用
于模式识别、空间数据分析、经济学等领域.聚类分析既可以作为单独的工具发现数据集中隐含的相关知识,
又可以作为其他数据挖掘分析方法的预处理过程,其已经成为数据挖掘领域的一个重要的研究方向.
目前常用的聚类算法包括划分法、层次法、基于密度的方法、基于网格的方法和基于模型的方法等.其
中,基于划分方法思想的 K -means 算法以其简单、快速并有效处理大规模数据等诸多特点,成为现实应
用最为广泛的聚类算法.
K -means 算法
〔2,3〕
适合聚类大型数据集,特别是当样本分布呈现类内团聚状时,可以达到很好的聚类
结果.但是,在有噪声数据影响时,K -means 聚类算法结果易受初始聚类中心影响,导致聚类结果不稳定.
K -means 算法过度依赖初始条件的缺点影响了该算法的聚类效果并制约了其应用范围.当前许多学者致
力于改进 K -means 算法的聚类中心选取方法,如基于均值 -标准差选取方法
〔4〕
,基于近邻密度选取方
法
〔5〕
, 基于密度参数的选取方法
〔6〕
等,然而这些算法没有充分考虑离群点对聚类的影响,导致最后聚类精
度提高不明显.针对这个问题,本文提出一种基于离群点检测的 K -means 算法,算法将离群点检测引入
传统 K -means 算法,首先检测出数据集中的离群点,在选择初始种子的时候,避免选择离群点作为初始
种子.在对非离群点进行聚类完成后,根据离群点到各个聚类的距离,将离群点划分到相应的聚类中.算法
有效降低离群点对 K -means 算法的影响,提高聚类结果的准确率.实验表明,在聚类类别数给定的前提
下,通过标准 UCI 数据库进行实验比较,在保留噪声数据的同时,该算法有效提高聚类精度.
第 35 卷 第 1 期
2014 年 3 月
渤海大学学报(自然科学版)
Journal of Bohai University(Natural Science Edition)
Vol.35,No.1
Mar.2014