目标特征选择与去除的K-means聚类改进算法

本文提出了一种基于目标点特征选择和去除的改进K-means聚类算法，旨在解决传统K-means算法在处理高维数据聚类时存在的问题，如无法有效抑制噪声特征和处理不规则形状的聚类。该算法利用闵可夫斯基规度作为距离度量标准，通过增设权重调节参数a和重置权重系数α，实现特征的选择和去除，以降低非聚类指标特征对聚类结果的噪声干扰。 在改进的算法中，关键步骤包括： 1. **目标点分类**：采用闵可夫斯基规度计算数据点之间的距离。闵可夫斯基规度是一种通用的距离度量方式，可以灵活地调整为欧几里得距离（p=2）或曼哈顿距离（p=1），以适应不同的数据特性。 2. **权重调节参数a**：引入权重调节参数a来动态调整不同特征的重要性。这允许算法根据特征对聚类的影响程度进行加权，增强关键特征的作用，同时削弱噪声特征的影响。 3. **重置权重系数α**：通过重置权重系数α，算法可以实现特征的动态选择和去除。当α值增大时，更多的特征可能被去除，有助于减少噪声特征对聚类效果的干扰。 4. **特征选择与去除**：通过对每个目标点应用上述规则，算法能够识别并去除那些对聚类贡献较小或者引入噪声的特征，从而提高聚类的准确性。 5. **实验验证**：为了验证算法的有效性，实验选取了UCI真实数据集和人工数据集进行聚类分析，并与WK-means和iMWK-means两种算法进行了比较。实验结果表明，改进后的算法在抑制噪声特征方面表现出优越性，同时证明了特征选择在聚类学习中的适用性。 6. **参数优化**：在实验过程中，还探索了最优的距离系数β和权重系数α的取值，以进一步优化聚类效果。寻找这些参数的最佳组合是确保算法性能的关键。 通过这些改进，该算法能够更好地适应高维数据的复杂性，有效地处理不规则形状的聚类，并在有噪声的数据中提供更准确的聚类结果。对于处理大规模、高维度数据的机器学习任务，这种改进的K-means算法具有较高的实用价值。