论文部分内容阅读
K-means算法以其简单、快速的特点在现实生活中得到广泛应用。然而传统K-means算法容易受到噪声的影响，导致聚类结果不稳定，聚类精度不高。针对这个问题，提出一种基于离群点检测的K-means算法，首先检测出数据集中的离群点，在选择初始种子的时候，避免选择离群点作为初始种子。然后在对非离群点进行聚类完成后，根据离群点到各个聚类的距离，将离群点划分到相应的聚类中。算法有效降低离群点对K-means算法的影响，提高聚类结果的准确率。实验表明，在聚类类别数给定的前提下，在标准数据集UCI上该算法有效降低离群