k-均值聚类算法的改进与实现

摘要	第4-6页
Abstract	第6-8页
第1章 绪论	第11-14页
1.1 本文研究的背景和意义	第11-12页
1.2 相关理论国内外发展现状	第12-13页
1.3 本文研究工作	第13-14页
第2章 数据挖掘及聚类分析	第14-25页
2.1 数据挖掘技术	第14页
2.2 聚类分析的定义	第14-16页
2.3 聚类分析相关算法	第16-25页
第3章 K-均值算法与初始中心点的确定	第25-34页
3.1 经典的 K-均值算法	第25-27页
3.2 现有的初始中心点的选取	第27-28页
3.3 基于数据差异度的初始中心点选取	第28-30页
3.4 改进后的初始中心点选取效果	第30-33页
3.5 本章小结	第33-34页
第4章 K-均值算法最佳聚类数的确定问题	第34-49页
4.1 聚类数的重要性	第34页
4.2 现有聚类数的确定方法	第34-37页
4.3 基于数据差异的聚类数确定的改进方法	第37-40页
4.4 APK 聚类有效性指标实验分析	第40-47页
4.5 本章小结	第47-49页
第5章 改进的 K-均值聚类算法的实现	第49-57页
5.1 聚类分析中的数据类型	第49-50页
5.2 聚类分析中的相似性度量	第50-51页
5.3 当前 K-均值算法在距离度量的不足	第51页
5.4 基于权重值的聚类算法	第51-52页
5.5 实验平台及数据	第52-53页
5.6 聚类结果及分析	第53-55页
5.7 本章小结	第55-57页
结论	第57-58页
参考文献	第58-60页
致谢	第60页