决策粒K均值聚类算法

针对传统K均值聚类效果不稳定,陷入局部最优解和簇边缘样本聚类不准确的问题,提出一种基于决策粒的K均值聚类算法.该算法利用卡方检验、卡方权值参数进行特征选择,再与样本密度和间隔差异结合,选取出优秀初始质心;然后,根据粒向量距离度量方法得到基础粒K均值聚类结果,构造决策粒模型,对决策粒向量进行聚类决策划分.最后,结合多个UCI数据集实验,将该算法与多种经典聚类算法在聚类结果、性能评估、迭代次数等方面进行比较.结果表明,提出的决策粒K均值聚类算法具有选择优秀初始质心和提高聚类性能的优点.