K-means与ISODATA算法的比较研究.docxVIP

上 海 海 事 大 学 SHANGHAI MARITIME UNIVERSITY K-means聚类算法和一种改进算法—ISODATA算法 （） 摘 要：聚类分析是模式识别的一个重要的研究领域，是一种用于数据划分或分组的重要手段，也是数据挖掘和机器学习等方向的重要内容之一。聚类的应用非常广泛，在市场营销、金融、生物学、地质学和机器学习中都有着重要的作用。K-means算法是一种传统的基于划分的聚类算法，其对大规模数据进行聚类时效率较高，从而被广泛应用。ISODATA算法是在k-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。本文主要叙述聚类分析中的K-means聚类算法和ISODATA算法,并通过matlab编程对算法进行验证分析。 关键词：聚类分析; 数据划分; 机器学习; K-means; ISODATA; K-means algorithm in clustering analysis and an improved algorithm—ISODATA algorithm Abstract: Clustering is an important area for research in pattern identification, which is an important method in data partitions or data grouping, which is one of the most important technology in fields of data mining and machine learning. It has a wide range of applications including marketing, finance, biological, geology, and machine learning. K-means algorithm is a traditional partition clustering method. It is widely used in the area of Data Mining to cluster large data sets due to its high efficiency. ISODATA algorithm is based on the k- mean algorithm, to increase the clustering results of merge and split two operations, and set the algorithm to run control parameters of a clustering algorithm. This paper mainly describes the k-means clustering algorithm and ISODATA clustering algorithm in clustering analysis, and verifies and analyzes the algorithm through Matlab programming. Key words: Clustering analysis; Data partition; Machine learning; K-means; ISODATA; 1 引言 1.1 研究背景及意义 聚类是一种重要的数据分析技术[1]，它将一个对象的集合分成不同的类，从而描述数据。聚类分析作为统计学的一个分支，已经被广泛研究了许多年，而且聚类分析也已经广泛地应用到诸多领域中，包括模式识别、数据分析、图像处理以及市场研究。通过聚类，人们能够识别密集的和稀疏的区域，从而发现全局的分布模式，以及数据属性之间的有趣的相互关系。在商务上，聚类能帮助市场分析人员从客户基本信息库中发现不同的客户群[2]，并且用购买模式来刻画不同的客户群的特征。 聚类分析可以作为其他算法的预处理步骤，利用聚类进行数据预处理，可以获得数据的基本概况，在此基础上进行特征抽取或分类可以提高精确度和挖掘效率，也可以将聚类结果用于进一步关