文献类型：期刊文章

作　　者：杨俊闯[1] 赵超[1]

YANG Junchuang;ZHAO Chao(College of Information and Electrical Engineering,Hebei University of Engineering,Handan,Hebei 056038,China)

机构地区：[1]河北工程大学信息与电气工程学院

出　　处：《计算机工程与应用》

基　　金：河北省高等学校科学技术研究项目（No.QN2018109）

年　　份：2019

卷　　号：55

期　　号：23

起止页码：7-14

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：K-均值(K-Means)算法是聚类分析中一种基于划分的算法,同时也是无监督学习算法。其具有思想简单、效果好和容易实现的优点,广泛应用于机器学习等领域。但是K-Means算法也有一定的局限性,比如:算法中聚类数目K值难以确定,初始聚类中心如何选取,离群点的检测与去除,距离和相似性度量等。从多个方面对K-Means算法的改进措施进行概括,并和传统K-Means算法进行比较,分析了改进算法的优缺点,指出了其中存在的问题。对K-Means算法的发展方向和趋势进行了展望。

关 键 词：K-MEANS 聚类算法 聚类中心 离群点

分 类 号：TP301]