聚类算法如今已成为数据挖掘中不可缺少的一部分,随着信息技术的迅速发展,对于聚类算法的研究和改进更加深入。聚类算法,顾名思义根据数据对象的自身特征(或属性)及规定的衡量标准对样本集进行划分,它是一种无监督的学习方法,无需提前知晓各样本点的归属情况。传统的聚类算法需提前设定聚类簇数、初始聚类中心和阈值等相关参数,且这些参数的设定或选取凭经验而定(即没有明确的标准),同时不同的取值很大程度上影响着聚类的结果,这就使得在实际操作中很难进行,也会造成聚类结果的不稳定。因此,提高聚类算法的自适应性,使其仅依靠样本对象自身特征进行聚类显得尤为重要。本文分别针对演化聚类算法和模糊聚类算法的缺点提出了两种自适应的改进方法,其在很大程度上提高了原始聚类算法的稳定性和准确性。(1)演化聚类算法是一种演化的在线聚类算法,该算法可实时地增加聚类个数、调整聚类中心和聚类半径,从而获得最佳聚类结果。但传统的演化聚类算法需提前设定阈值,在没有获取数据集先验条件的情况下,阈值的选取很难决定,而不同的阈值会很大程度上影响最终的聚类效果;同时传统的演化聚类算法对样本点的输入次序较敏感。针对传统演化聚类算法的缺点,本文提出了一种改进的自适应演化聚类算法,该算法先对若干数据样本点进行预聚类,从而得到初始聚类结果;再根据新加入的样本点不断调整聚类中心和聚类半径;最后再根据分类情况选择分割或融合,再次对聚类结果进行调整,以获得最佳聚类效果。该算法显著地改善了聚类结果对于阈值选取和样本点输入次序的依赖,更适用于处理实际数据分类问题。实验结果表明,改进的自适应聚类算法能够实现动态在线聚类,显著提高了聚类结果的正确率和稳定性。(2)模糊C-均值聚类算法是一种被广泛应用的聚类算法,其根据各样本点对聚类簇的隶属度进行分类,打破了传统聚类算法对于簇的归属非1即0的情况。但是传统模糊聚类算法需提前设置参数和初始聚类中心,选取不同的参数和初始聚类中心会很大程度上影响最终的聚类结果。针对传统模糊聚类算法的缺点,本文提出一种基于权重差异度的动态模糊聚类算法。首先,引入样本特征权重向量和样本间差异度的概念,对数据集分布情况进行描述,并采用新的评价指标获取候选聚类中心;然后,根据最小差异度准则,对剩余样本点进行分类;最后结合戴维森保丁指数评价准则对候选聚类中心做进一步筛选与合并。该算法根据具体数据集中各样本点的空间分布情况动态确定聚类个数和初始聚类中心,同时考虑类间离散程度和类内离散程度,有效地减少了随机选取聚类中心对聚类结果稳定性的影响。实验结果表明,该算法在测试不同数据集上的性能明显优于传统聚类算法,具有更高的自适应性和稳定性。