傳統(tǒng)kmeans算法由于初始聚類中心的選擇是隨機的，因此會使聚類結(jié)果不穩(wěn)定。針對這個問題，提出一種基于離散量改進k-means初始聚類中心選擇的算法。算法首先將所有對象作為一個大類，然后不斷從對象數(shù)目最多的聚類中選擇離散量最大與最小的兩個對象作為初始聚類中心，再根據(jù)最近距離將這個大聚類中的其他對象劃分到與之最近的初始聚類中，直到聚類個數(shù)等于指定的足值。最后將這是個聚類作為初始聚類應用到k -means算法中。將提出的算法與傳統(tǒng)k-means算法、最大最小距離聚類算法應用到多個數(shù)據(jù)集進行實驗。實驗結(jié)果表明，改進后的k-means算法選取的初始聚類中心唯一，聚類過程的迭代次數(shù)也減少了，聚類結(jié)果穩(wěn)定且準確率較高。

?