摘  要： 傳統的K-means算法隨機選取初始聚類中心，聚類結果不穩定，容易陷入局部最優解。針對聚類中心的敏感性，提出一種優化初始聚類中心的K-means算法。此算法利用數據集樣本的分布特征計算樣本點的密度并進行分類，在高密度區域中選擇K個密度最大且相互距離超過某特定閾值的點作為初始聚類中心，并對低密度區域的噪聲點單獨處理。實驗證明，優化后的算法能取得更好的聚類效果，且穩定性增強。

　　關鍵詞： 聚類；K-means算法；密度；聚類中心；噪聲點

0 引言

　　隨著“信息爆炸”時代的到來，數據挖掘領域得到人們越來越多的關注。聚類分析作為數據挖掘的重要分支，屬于無監督的機器學習方法[1]。基于物以類聚的思想，聚類分析把樣本點劃分為子簇，使得同一簇中的對象盡可能相似，而不同簇的對象盡可能相異[2]。目前，聚類已根植于許多應用領域，包括商務智能、圖像模式識別、WEB搜索、生物學和安全等[3]。

　　K-means算法是目前聚類分析領域中基于劃分的熱門研究課題，具有理論可靠、算法簡單、收斂速度快、能有效處理大數據的特點[4]。但它也存在一些不可避免的問題[5]：（1）聚類數目k需要預先確定，經驗的缺乏導致對k的數值很難界定；（2）聚類結果隨初始聚類中心的不同而變化，容易陷入局部最優解；（3）對局部極值點敏感，嚴重影響聚類結果的準確性。

　　本文提出一種基于密度優化初始聚類中心的方法，使其盡可能有代表性地反映數據的分布特征。利用數據集樣本的點密度，對樣本集劃分高低密度集，選取高密度集合中的k個相距較遠、密度最大的樣本作為初始聚類中心，避免初始聚類中心位于同一類簇的缺陷，同時對噪聲點進行單獨處理，減小其對聚類結果的影響。

1 K-means算法介紹及相關研究

　　K-means算法是基于劃分的聚類算法之一，基本思想[6]是：從包含n個對象的數據集中隨機選取k個樣本點作為初始聚類中心，對于剩下的每個對象，計算其與各個聚類中心的距離，將它分配到最近的聚類，并重新計算聚類中心，再將所有的樣本點依據最近距離原則分配到相應的聚類簇中，不斷地迭代直到分配穩定，即聚類誤差平方和E收斂。

　　K-means算法簡單，且適用于大規模數據量，但初始聚類中心的選取直接影響算法的聚類結果，算法的迭代次數依賴于初始聚類中心和實際聚類中心的偏差，因此，選取一組合適的初始聚類中心非常重要[7]。很多國內外學者從不同角度對該算法聚類中心的選取進行了改進。陸林華[8]對遺傳算法進行優化，將遺傳算法的全局搜索能力與K-means算法的局部搜索能力相結合；KAUFMAN L等[9]提出一種啟發式方法，估計數據點的局部密度，并以此啟發選擇初始聚類中心；袁方等[10]提出給予樣本相似度和通過合適權值來初始化聚類的方法；Huang J[11]提出一種變量自動加權方法，ALSABTI[12]利用k-d樹結構改進K-means算法；汪中[5]等人采用密度敏感的相似性度量計算數據對象的密度，啟發式地生成初始聚類中心；韓凌波[13]等人通過計算每個數據對象的密度參數選取k個處于高密度分布的點作為初始聚類中心；賴玉霞[14]等人采用聚類對象分布密度方法，選擇相互距離最遠的k個處于高密度區域的點作為初始聚類中心；王賽芳[15]等人通過計算點密度來選取初始聚類中心。

2 基于密度改進的K-means算法

　　傳統的K-means算法對初始聚類中心敏感，聚類結果隨不同的初始中心而波動。隨機選取的初始聚類中心有可能是一些孤立點或噪聲點，或者不同類簇的初始聚類中心位于同一個類簇，導致聚類結果可能偏離樣本的真實分布，得到錯誤的聚類結果，使聚類的收斂速度緩慢甚至難以收斂。選取相距較遠的樣本作為初始聚類中心，可避免初始聚類中心位于同一類簇的缺陷，但對噪聲點敏感；參考文獻[11-12]解決了噪聲點的問題，但由于涉及到密度調節系數或噪聲調節系數，聚類結果直接依賴于參數的選擇。主觀性強，如果參數選擇不好，聚類結果將變得很差。

　　針對上述局限性，本文提出一種基于點密度優化初始聚類中心選取的方式。在樣本點空間中，一般認為高密度區域的點會被低密度區域的點分割，而噪聲點往往處于低密度區域。同時，在以歐氏距離作為相似性度量標準的情況下，相互距離遠的k個樣本點往往比隨機選取更具有代表性。因此，在劃分出含有噪聲點的低密度區域后，本文在高密度區域選取k個相互距離超過某閾值，且密度最大的樣本點作為初始聚類中心，即改進K-means算法中的隨機選取初始聚類中心。

　　2.1 基本定義

　　設給定含有n個樣本點的數據集合X={xi|xi∈R，i=1，2，…，n}，k個聚類類別Cj（j=1，2，…，k，k<n），k個初始聚類中心ncj（j=1，2，…，k）。有如下定義：

　　定義1 任意兩個樣本點間的歐氏距離

　　定義2 聚類中心（每個聚類簇的樣本點的均值）

　　定義3 聚類誤差平方和

　　聚類誤差平方和是數據集所有對象與它所在簇的聚類中心的平方誤差的總和。聚類誤差平方和越大，說明對象與聚類中心的距離越大，簇內的相似度越低，反之亦然。聚類誤差平方和應盡可能小，從而使生成的結果簇盡可能緊湊和獨立。

　　定義4 點密度

　　對數據集X中的樣本點x，以x為圓心，r（r>0）為半徑的球域內所包含的樣本點的個數稱為x的密度，記為D（x），即

　　D（x）=|{p|y（x，p）≤r，p∈X}|（4）

　　式中，y（x，p）表示樣本點x與p的距離。通過比較，本文選擇以歐氏距離作為距離度量，即y（x，p）=d（x，p），r為設定的距離閾值。D（x）越大，樣本點所處區域密度越高。

　　定義5 噪聲點

　　對于數據集X中的樣本點x，若D（x）<?琢MD（x），則稱x為噪聲點。其中，MD（x）為所有樣本點的密度平均值，即

　　2.2 初始聚類中心的優化算法

　　基于密度優化初始聚類中心的基本思想是：首先計算樣本集中每個樣本點的密度D（x），并通過與整個樣本集平均密度MD（x）的比較，將其劃分給高密度集M或低密度集N。選取集合M中密度最大的樣本點作為第一個初始聚類中心nc1，將其從集合M中剔除；接著從集合M中選取與nc1距離超過距離閾值r，且密度最大的點作為第二個初始聚類中心nc2，以此類推，直到選取了k個初始聚類中心。

　　基于密度優化初始聚類中心算法的具體步驟如下：

　　輸入：聚類簇的數目k以及包含n個對象的數據集X

　　輸出：初始聚類中心集合nc，高密度集M和低密度集N

　?。?）根據式（1），計算樣本集兩兩樣本點間的距離，構造距離矩陣D；

　?。?）根據式（4）和式（5），計算樣本集中每個樣本點的密度D（x），以及整個樣本集的平均密度MD（x）；

　?。?）根據MD（x），對樣本點進行劃分，依次歸類進高密度集M或低密度集N；

　　（4）選取M中密度最大的樣本點作為第一個初始聚類中心nc1，并將其放入集合nc中，即nc=nc∪{nc1}；

　?。?）選取下一個初始聚類中心nc2，并將其放入集合nc中，即nc=nc∪{nc2}。其中，nc2應滿足：①d（nc1，nc2）≥r；②D（nc2）=max{D（x）|x∈X-nc}；

　?。?）重復步驟（5），直到選取k個初始聚類中心。

　　2.3 噪聲點的處理

　　聚類過程中，本文將數據樣本劃分為高密度集和低密度集，其中，低密度集就是噪聲點集合。選取完k個初始聚類中心后，首先對集合M中的樣本點進行K-means聚類，得到k個聚類和k個聚類中心。接著依據最小距離原則，將集合N中的噪聲點分配到各個聚類中，完成所有樣本點的分配聚類。由于避免了噪聲點對聚類過程的參與，減少了其對聚類中心的影響，改善了聚類效果。

3 實驗結果與分析

　　為了驗證本文算法的有效性，選用MATLAB語言編程環境，對UCI數據集進行測試，并與參考文獻[5，12，14]及傳統K-means算法的聚類結果進行比較。對算法聚類結果的評價標準包含很多種，本文采用兩種度量指標：聚類準確率和聚類時間。利用聚類準確率來度量算法的有效性，利用聚類時間來度量算法的執行效率。

　　3.1 數據集描述及參數設定

　　UCI數據集是國際上專門用來測試機器學習、數據挖掘算法的公共數據庫，庫中的數據都有確定的分類，因此可以用準確率來直觀地反映聚類算法的質量。在此，本文選擇數據庫中的Iris、Wine、Balance-scale、Hayes-roth以及New-thyroid 5組數據作為測試數據，如表1。

　　3.2 實驗結果

　　根據經驗，將改進算法的密度球域半徑r設為樣本點兩兩間的平均歐式距離；噪聲點劃分閾值0<≤1，一般取值為1。所有算法均在表1給出的數據集上進行實驗，所有評價結果均為在數據集上實驗執行100次后取平均值。表2為選取五種不同初始聚類中心情況下算法在UCI數據集上的聚類準確率的比較，表3為各算法的聚類時間比較。

　　由表2聚類準確率的比較可知，在Iris數據集上，本文算法的聚類準確率與參考文獻[14]中的算法一致，高于傳統K-means算法和參考文獻[5，12]；在Wine數據集上，本文算法的準確率略低于參考文獻[5]，但高于參考文獻[12，14]及傳統K-means；在Hayes-roth數據集上，本文算法的聚類準確率與參考文獻[12]一致，高于參考文獻[5、14]及傳統算法；而在其他數據集上，文本算法的聚類準確率高于其他四種算法。由此可見，本文算法相較于其他算法，聚類準確性更高。

　　由表3各算法聚類時間的比較可知，傳統K-means算法的運行時間最短；本文算法的聚類運行時間優于參考文獻[12，14]，具有更快的收斂速度；但與參考文獻[5]相比，在Scale和Wine數據集上，本文算法的聚類速度略有遜色。就總體時間分析而言，本文的算法優于其他算法，但不如傳統K-means算法的速度快。這是因為改進后的算法增加了選擇初始中心這一環節，造成了一定的時間損耗，但優化后的初始聚類中心能更好地表達數據的分布特征，有效縮短聚類過程，因此在一定程度上又能減少時間的損耗。

　　以上結果表明，相較于其他優化初始聚類中心的K-means算法，本文算法不僅可以獲得更好的聚類效果，同時也能縮短聚類時間。

4 結束語

　　K-means算法應用廣泛，但由于其過分依賴于初始化，聚類結果隨初始中心的變化而波動，難以保證優良的性能。本文基于密度，有效改進了初始中心點的選取，克服了傳統算法敏感且聚類效果容易陷入局部最優的缺陷，同時在一定程度上避免了噪聲數據對聚類結果的影響。實驗結果證明，該算法能大大提高聚類的準確性。

參考文獻

　　[1] 毛國君，段立娟，王實，等．數據挖掘原理與算法[M]．北京：清華大學出版社，2005．

　　[2] 朱明．數據挖掘[M]．合肥：中國科學技術大學出版社，2002．

　　[3] Han Jiawei， KAMBER M．數據挖掘概念與技術[M]．范明，孟小峰，譯．北京：機械工業出版社，2000．

　　[4] 謝娟英，郭文娟.基于樣本空間分布密度的初始聚類中心優化K-均值算法[J].計算機應用研究，2012，29（3）：888-890.

　　[5] 汪中，劉貴全，陳恩紅.一種優化初始中心點的K-means算法[J].模式識別與人工智能，2009，22（2）：300-302.

　　[6] 莫錦萍，陳琴，馬琳，等.一種新的K-Means蟻群聚類算法[J].廣西科學學院學報，2008，24（4）：284-286.

　　[7] 柯良文，王靖.基于用戶相似度遷移的協同過濾推薦算法[J].微型機與應用，2014，33（14）：71-74.

　　[8] 陸林華，王波.一種改進的遺傳聚類算法[J].計算機工程與應用，2007，43（21）：170-172.

　　[9] KAUFMAN L， ROUSSEEUW P J． Finding groups in data：all intro-duction to cluster analysis[M]． New York： Wileys，1990．

　　[10] 袁方，孟增輝，于戈.對K-means聚類算法的改進[J].計算機工程與應用，2004，40（36）：177-178，232.

　　[11] HUANG J Z， NG M K， HONGQIALLG R， et al． Automated variable weighting in K-means type clustering[J]． IEEE Trans on Pattern Analysis and Machine Intelligence， 2005，27（5）：657-668.

　　[12] ALSABTI K， RANKA S， SINGH V． An efficient K-means clustering algorithm[C]. IPPS/SPDP Workshop on High Performance Data Mining． Orlando， Florida， 1998： 9-15.

　　[13] 韓凌波，王強，蔣正峰，等．一種改進的K-means初始聚類中心選取算法[J]．計算機工程與應用，2010，46（17）：150-152．

　　[14] 賴玉霞，劉建平．K-means算法的初始聚類中心的優化[J]．計算機工程與應用，2008，44（10）：147-149．

　　[15] 王賽芳，戴芳，王萬斌，等．基于初始聚類中心優化的K-均值算法[J]．計算機工程與科學，2010，32（10）：105-107．