摘  要： 針對K-means算法中的初始聚類中心是隨機(jī)選擇這一缺點(diǎn)進(jìn)行改進(jìn)，利用提出的新算法選出初始聚類中心，并進(jìn)行聚類。這種算法比隨機(jī)選擇初始聚類中心的算法性能有所提高，具有更高的準(zhǔn)確性。
關(guān)鍵詞： 歐氏距離；K-means；優(yōu)化初始中心

　數(shù)據(jù)挖掘技術(shù)研究不斷深入與發(fā)展，作為數(shù)據(jù)挖掘技術(shù)中的聚類分析，也越來越被人們關(guān)注與研究。聚類分析是數(shù)據(jù)挖掘中一個(gè)非?；钴S的研究領(lǐng)域，并且具有廣泛的應(yīng)用。聚類就是將數(shù)據(jù)集劃分成若干簇或者類的一個(gè)過程[1]。經(jīng)過聚類之后，使得同一簇中的數(shù)據(jù)對象相似度最大，而不同簇之間的相似度最小。
聚類是一種無監(jiān)督的學(xué)習(xí)算法，即把數(shù)據(jù)對象聚成不同的類簇，從而使不同類之間的數(shù)據(jù)相似度低，而同一個(gè)類中的相似度高，并且將要?jiǎng)澐值念愂侵安恢赖?，其形成由?shù)據(jù)驅(qū)動(dòng)。聚類算法[1]分成基于劃分的、密度的、分層的、網(wǎng)格的、模型的。其中基于劃分的聚類算法中的K-均值算法(K-means算法)是最常用的一種聚類算法，同時(shí)也是應(yīng)用最廣泛的一種算法。K-means聚類算法主要針對處理大數(shù)據(jù)集時(shí)[2]，處理快速簡單，并且算法具有高效性和可伸縮性。但是K-means算法也有一定的局限性[3]，如K值必須事先給定，只能處理數(shù)值型數(shù)據(jù)，初始聚類的中心是隨機(jī)選擇的，而其聚類結(jié)果的好壞直接取決于初始聚類中心的選擇。并且由于初始聚類中心隨機(jī)選擇，容易造成算法陷入局部最優(yōu)解。因此初始聚類中心的選擇十分重要。
本文針對隨機(jī)選擇初始聚類中心的缺點(diǎn)，提出了一種新的改進(jìn)的K-means聚類算法。該算法產(chǎn)生的初始聚類中心不是隨機(jī)的，能夠很好地體現(xiàn)數(shù)據(jù)的分布情況，使得初始中心盡可能地趨向于比較密集的范圍內(nèi)，從而進(jìn)行更好的聚類，最終消除了傳統(tǒng)K-means算法中由于初始聚類中心選擇是隨機(jī)的而產(chǎn)生的缺點(diǎn)。最后實(shí)驗(yàn)證明了這種算法的有效性與可行性。
1 傳統(tǒng)K-means算法
1.1 傳統(tǒng)K-means算法的思想
　傳統(tǒng)的K-means算法的工作流程[1，4]：首先從n個(gè)數(shù)據(jù)對象任意選擇k個(gè)對象作為初始聚類中心；而對于所剩下其他對象，則根據(jù)它們與這些聚類中心的相似度(距離)，分別將它們分配給與其最相似的(聚類中心所代表的)聚類；然后再計(jì)算每個(gè)所獲新聚類的聚類中心(該聚類中所有對象的均值)。不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測度函數(shù)。其準(zhǔn)則函數(shù)定義如下：。其中，E為數(shù)據(jù)集中的對象與該對象所在簇中心的平方誤差的綜合，E越大說明對象與聚類中心的距離越大，簇內(nèi)的相似性越低，反之則說明相似性越高；p是簇內(nèi)的一個(gè)對象，Ci表示第i個(gè)簇，xi是簇Ci的中心，k是簇的個(gè)數(shù)。
　傳統(tǒng)的K-means算法具體描述如下[5]：
　輸入：k，data[n]；
　輸出：K個(gè)簇的集合。
　(1)任意選擇k個(gè)對象作為初始中心點(diǎn)，例如c[0]=data[0]，…c[k-1]=data[k-1]。
　(2)根據(jù)簇中對象的均值，將每個(gè)對象指派給最相似的簇。
　(3)更新簇均值，即計(jì)算每個(gè)簇中對象的均值。
　(4)重復(fù)步驟(2)、(3)，直到不再發(fā)生變化。

1.2 傳統(tǒng)K-means算法的局限性
　傳統(tǒng)的K-means算法中對于K個(gè)中心點(diǎn)的選取是隨機(jī)的 [ 3]，而初始點(diǎn)選取的不同會(huì)導(dǎo)致不同的聚類結(jié)果。為了減少這種隨機(jī)選取初始聚類中心而導(dǎo)致的聚類結(jié)果的不穩(wěn)定性，本文提出了一種關(guān)于初始聚類中心選取的方法，用來改變這種不穩(wěn)定性。

　即所有樣本點(diǎn)的兩兩之間的距離之和除以樣本點(diǎn)n的組合數(shù)。
2.2 改進(jìn)算法流程
　本算法的改進(jìn)建立在沒有離群點(diǎn)的數(shù)據(jù)集上，針對沒有離群點(diǎn)的數(shù)據(jù)進(jìn)行分析。
　輸入：樣本點(diǎn)，初值k。
　輸出：k個(gè)簇的聚類結(jié)果，使平方誤差準(zhǔn)則最小。
　步驟：
　(1)求出兩兩樣本點(diǎn)之間的距離存入矩陣D中。
　(2)初始化集合A以及中心點(diǎn)集合Center，最小距離的樣本點(diǎn)放入集合A中，并求出其中心最為第一個(gè)初始的聚類中心z1。
　(3)求出次小距離的樣本點(diǎn)的中心，然后求出此中心與z1之間的距離，與Meandist進(jìn)行判斷。如果小于Meandist，則將此樣本點(diǎn)加入A中，再求第三距離小的樣本點(diǎn)，重復(fù)步驟(3)；如果大于Meandist，則求出此中心存入Center。
　(4)Until集合Center中的個(gè)數(shù)等于k，初始聚類中心全部找到。
　(5)用找到的初始聚類中心進(jìn)行K-means聚類。
算法舉例：
　如圖1所示，假設(shè)有20個(gè)點(diǎn)數(shù)據(jù)集，并且已經(jīng)將孤立點(diǎn)排除，需要將其聚成k=3類。首先計(jì)算兩兩之間的距離，利用定義2求出Meandist，并找出最小的距離(如圖中的x1、x2)；然后求出其中心，用紅色表示；找出距離次小的距離(如圖中的x3、x4)，計(jì)算出x3、x4的中心，并加一步判斷。如果這個(gè)中心與前面求出的一個(gè)聚類中心之間的距離小于Meandist，那么就排除這個(gè)聚類中心，接著執(zhí)行找第三小的距離，并求其中心，直到找到K個(gè)初始聚類中心為止；反之，則求下一個(gè)初始聚類中心，直到找到k個(gè)初始聚類中心為止。

3 實(shí)驗(yàn)分析
　為了便于分析與計(jì)算，本文采用的是二維數(shù)據(jù)，并且數(shù)據(jù)類型是實(shí)型的，實(shí)驗(yàn)環(huán)境為MATLAB。為了進(jìn)行對比，分別采用了傳統(tǒng)的K-means算法與本文改進(jìn)的K-means算法進(jìn)行比較。
本文實(shí)驗(yàn)采用了兩組實(shí)驗(yàn)進(jìn)行驗(yàn)證，一組是隨機(jī)數(shù)據(jù)，一組是標(biāo)準(zhǔn)數(shù)據(jù)庫集。
　(1)采用隨機(jī)數(shù)據(jù)
　本文用隨機(jī)產(chǎn)生的80個(gè)樣本分別采用傳統(tǒng)的K-means算法進(jìn)行聚類與本文的改進(jìn)算法進(jìn)行聚類，比較其聚類結(jié)果圖。
　傳統(tǒng)算法采用隨機(jī)選取初始聚類中心有(0.950 1， 0.794 8)、(0.231 1，0.956 8)、(0.606 8，0.522 6)，其聚類結(jié)果如圖2所示。

　采用改進(jìn)算法的初始聚類中心有(0.339 9、0.028 4)，(0.200 7，0.591 4)、(0.724 8，0.381 9)，其聚類結(jié)果如圖3所示。
　(2)采用標(biāo)準(zhǔn)數(shù)據(jù)集：Iris數(shù)據(jù)集
　本文采用了Iris數(shù)據(jù)集，它是UCI數(shù)據(jù)庫中的一個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集。Iris數(shù)據(jù)集包含有4個(gè)屬性，150個(gè)數(shù)據(jù)對象，可分為三類。選用Iris數(shù)據(jù)集前二維的數(shù)據(jù)進(jìn)行聚類。分別用傳統(tǒng)算法和改進(jìn)算法進(jìn)行聚類，其中分別用實(shí)心點(diǎn)、圈實(shí)心點(diǎn)以及五角星表示這三類。
傳統(tǒng)算法采用隨機(jī)選取初始聚類中心有(0.950 1， 0.582 8)，(0.231 1，0.423 5)、(0.606 8，0.515 5)，其聚類結(jié)果如圖4所示。
　采用改進(jìn)算法的初始聚類中心有(0.009 9，0.015 0)、(0.294 2，0.639 2)、(0.651 2，0.190 5)，其聚類結(jié)果如圖5所示。

　對比這兩幅圖的聚類結(jié)果可以看出，采用改進(jìn)算法產(chǎn)生聚類結(jié)果比較穩(wěn)定準(zhǔn)確。
　運(yùn)用K-means算法和本文改進(jìn)算法針對隨機(jī)數(shù)據(jù)和Iris數(shù)據(jù)分別實(shí)驗(yàn)得出的時(shí)間如表1所示。
　K-means算法是應(yīng)用最為廣泛的一種基于劃分的算法，但是由于其初始中心的選擇是隨機(jī)的，從而影響了聚類結(jié)果，使得聚類結(jié)果不穩(wěn)定。本文主要是針對傳統(tǒng)K-means算法的這一缺點(diǎn)，提出了一種新的改進(jìn)算法，即基于平均距離的思想，進(jìn)行初始聚類中心的選擇。實(shí)驗(yàn)證明，該算法是切實(shí)可行的，與傳統(tǒng)的K-means算法比較，有較好的聚類結(jié)果以及較短的運(yùn)行時(shí)間。但本文算法是基于先將噪聲點(diǎn)排除掉之后應(yīng)用此改進(jìn)算法進(jìn)行聚類、且是在點(diǎn)的分布比較均勻的前提下應(yīng)用，才有良好的效果。如果對于具有噪聲點(diǎn)的數(shù)據(jù)集有一定的局限性、而且是比較密集的點(diǎn)的情況下，這將在以后的學(xué)習(xí)研究中進(jìn)行探討。
參考文獻(xiàn)
[1] HAN J， KAMBER M. 數(shù)據(jù)挖掘概念與技術(shù)[M].范明，盂小峰，等譯.北京：機(jī)械工業(yè)出版社，2006.
[2] 孟海東，張玉英，宋飛燕.一種基于加權(quán)歐氏距離聚類方法的研究[J].計(jì)算機(jī)應(yīng)用，2006，26(22)：152-153.
[3] 包穎.基于劃分的聚類算法研究與應(yīng)用[D].大連：大連理工大學(xué)，2008：18-20.
[4] 李業(yè)麗，秦臻.一種改進(jìn)的K-means算法[J].北京印刷學(xué)院學(xué)報(bào)，2007，15(2)：63-65.
[5] 張玉芳，毛嘉莉，熊忠陽.一種改進(jìn)的K-means算法[J].計(jì)算機(jī)應(yīng)用，2003，23(8)：31-33.
[6] 袁方，周志勇，宋鑫.初始聚類中心優(yōu)化的k-means算法[J].計(jì)算機(jī)工程，2007，33(3)：65-66.