基于Tukey规则与初始中心点优化的K-means聚类改进算法

针对K-means聚类算法存在的初始中心点选择及异常点、离群点极易影响聚类结果等待改进问题，提出了一个基于Tukey规则与优化初始中心点选择的K-means改进算法。该算法利用Tukey规则构造核心与非核心子集，将聚类过程划分成2个阶段。同时，在核心子集上执行中心点逐个递增优化选择策略，选出初始中心点。在来自UCI的20个数据集上聚类结果表明，本文提出的算法优于K-means++聚类算法，有效地提升了聚类性能。