基于探索向量的Ball K-Means聚类算法

随着大数据时代的到来，如何快速、准确地从海量数据中挖掘有用的信息成为一个极其关键的问题。随着样本数据维度和数量的增加，导致K-Means聚类算法的计算成本急剧增加。因此，一种新颖的加速精确K-Means聚类算法近期被用来降低计算成本，称为“Ball K-Means”。尽管Ball K-Means降低了计算成本，但是该算法和K-Means算法都缺乏全局搜索能力。因此，本文从全局搜索能力和计算成本两个因素考虑，通过在Ball K-Means算法中引入一种防止聚类过程过早收敛的探索向量，提出一种针对高维度、大样本数据的基于探索向量的Ball K-Means聚类算法，称为“Ball XK-Means”。实验结果表明，在高维度和大样本数据下，本文提出的算法不仅比Ball K-Means和K-Means算法能够获更稳定和更精确的聚类结果，而且比K-Means和XK-Means算法有更低的计算成本和更高的效率。