陈文静

【摘要】由于Kmeans聚类算法具有简单且聚类速度较快的特点因而在很多场景中被使用。本文从Kmeans聚类算法出发，首先对该算法的算法步骤进行简要描述;然后对该算法存在的局限性进行全面分析;最后针对相应的局限性提出对应的解决策略。

【关键词】Kmeans算法  局限性  解决策略

传统聚类算法中由于Kmeans聚类算法具有出色的速度和良好的可扩展性，从而使其成为应用最广泛的聚类算法之一。

一、Kmeans聚类算法简介

Kmeans聚类算法是一个重复移动类中心点的过程，把类的中心点，也称重心（centroids），移动到其包含成员的平均位置，然后重新划分其内部成员。Kmeans算法步骤如下：

输入：样本集为D={x1，x2，…，xn}，聚类个数k;

输出：满足条件的k个聚类。

（1）从n个数据对象中随机选取k个对象作为初始的聚类中心;

（2）根据聚类均值（中心对象），计算每个对象与这些聚类中心的距离，并根据最小距离对相应的数据对象重新划分聚类;

（3）更新聚类的均值（中心对象）;

（4）计算适应度函数，并验证函数是否收敛或者算法是否终止，如果函数未收敛或者算法未达到终止次数，则返回到步骤（2）。

二、Kmeans聚类算法局限性

聚类算法由于算法简洁易懂，理论可靠、可以处理不同类型的数据集等特点使其在人工智能、模式识别、图像处理、深度学习、医疗、生物工程以及政府等领域被广泛应用。目前聚类算法的分类方式可以采用层次法、划分法、密度法等进行。然而Kmeans聚类算法仍然存在一定的局限性。分别如下：

（一）k值的依赖性