一种加权欧氏距离聚类算法的改进磁
朱俚治
南京航空航天大学信息中心南京 210016
摘要：聚类算法是一种无监督学习的算法，能够将相似度强的数据聚类到一个族内，并且能够将属性相异的数据划分到不同的族里。当今聚类算法可分为传统的聚类算法和非传统的聚类算法。传统的聚算法有：基于划分聚类算法、基于层次聚类算法等算法。人们在使用划分法和层次法进行聚类时，是通过计算聚类对象之间属性的距离来实现聚类，因此欧氏距离公式和加权欧氏距离公式在这两种聚类算法中常用的算法。加权欧氏距离计算公式在聚类时着重聚类对象属性权重的选择，所以此文从聚类对象的相似度和对象属性对应的权重，这两个方面来考虑聚类成功的概率。论文作者提出的算法思想是，如果某个聚类对象具有若干的属性，那么首先计算该聚类对象属性的相似度，再根据该属性对应的权重是否为关键权重，如果是此属性对应的权重是关键权重，那么该对象聚类的成功率较高。
关键词：加权欧氏距离相似度权重属性聚类
分类号：TP391.41(计算技术、计算机技术)
论文发表日期：2016-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：4( 421-424 )
英文信息