基于密度和距離的K-means算法研究與應(yīng)用.pdf

1、數(shù)據(jù)挖掘是在大數(shù)據(jù)集上的探索并揭示其隱含規(guī)律的一種計(jì)算過(guò)程，它融合了眾多的技術(shù)，是計(jì)算機(jī)科學(xué)的重要分支。其中聚類(lèi)分析是數(shù)據(jù)挖掘中重要的分析技術(shù)之一，聚類(lèi)分析是按照相似度進(jìn)行劃分的，將本身沒(méi)有類(lèi)別的數(shù)據(jù)樣木劃分成不同的簇。本文選取的是K-means算法進(jìn)行研究，它是數(shù)據(jù)挖掘屮最基本的聚類(lèi)算法。該算法的優(yōu)點(diǎn)是執(zhí)行簡(jiǎn)單、操作方便，但是也存在著諸多的缺點(diǎn)，比如：聚類(lèi)形成的簇?cái)?shù)K是由用戶(hù)指定；初始聚類(lèi)中心是隨機(jī)選取的；該算法只能發(fā)現(xiàn)類(lèi)球狀的簇等。

2、
　　本文的工作主要分為以下三個(gè)方面：首先在K-means算法的理論研究上，一方面，剔除了影響聚類(lèi)結(jié)果的孤立點(diǎn)和對(duì)初始聚類(lèi)中心選取進(jìn)行了改進(jìn)。另一方面，在確定了初始聚類(lèi)中心后，把數(shù)據(jù)點(diǎn)合理地分配到各個(gè)簇中；其次為了能對(duì)海量數(shù)據(jù)進(jìn)行處理，把改進(jìn)算法在Spark平臺(tái)上進(jìn)行了實(shí)現(xiàn)；最后本文將改進(jìn)算法應(yīng)用到了移動(dòng)客戶(hù)細(xì)分中。
　　實(shí)驗(yàn)證明，改進(jìn)后的K-means算法比傳統(tǒng)K-means算法的聚類(lèi)結(jié)果更加準(zhǔn)確。本文借助Spark平臺(tái)對(duì)