[发明专利]一种基于改进k-means聚类算法的质心空间上采样算法

说明书

本发明公开了数据聚类分析技术领域的一种基于改进k‑means聚类算法的质心空间上采样算法，能够更好的提高聚类速度和准确率，降低算法的计算复杂度，减少算法的运行时间，并且避免出现k‑means算法的局部最优问题的出现。包括：使用k‑means聚类算法对样本集进行聚类，并基于距离原则选择初始聚类中心；基于给定的存储结构，计算样本集中各样本分别与各初始聚类中心的欧式距离，进而获取聚类簇；基于获取的聚类簇，通过各聚类簇之间的欧氏距离计算出样本的初始质心，形成质心簇；根据每个质心簇的欧氏距离计算出所有样本簇总的欧氏距离；每个质心欧氏距离与样本总的欧氏距离的比值，得到权重系数；权重系数和需要上采样的样本的乘积为每个质心簇的增加的样本数。

技术领域

本发明属于数据聚类分析技术领域，具体涉及一种基于改进k-means聚类算法的质心空间上采样算法。

背景技术

当今互联网技术迅速发展，各个应用领域都积累了海量的数据，而解决数据不平衡问题及其相关研究是对这些海量的数据进行处理时面临的一大挑战。机器学习分类算法通常以准确率为导向，在进行数据集训练的过程中都是假设不同类的数据比例是平衡的，因而对不同类样本数据同等对待以提高准确率。

但是，此类算法没有将数据分布均衡问题纳入考虑范围内，即使分类器的全局准确率很高，其中的不平衡样本中的少数样本的识别率还是比较低的。尤其是当其中的某一类数据的数量远超其他类时，就会产生分类器偏向多数类样本而使得多数类的分类精度较高而少数类的分类精度很低。在极端情况下，少数类样本会被视为多数类的异常点而被合并到多数类下。在这种情况下，学习训练出来的模型显然是错误的，并且可能造成严重后果。例如，在银行欺诈检测中，通常大多数的客户都在正常交易而个别客户的行为可能是欺诈行为，数据处理中对这些个别行为的疏漏将会造成巨大的损失。

发明内容

为解决现有技术中的不足，本发明提供一种基于改进k-means聚类算法的质心空间上采样算法，能够更好的提高聚类速度和准确率，降低算法的计算复杂度，减少算法的运行时间，并且避免出现k-means算法的局部最优问题的出现。

为达到上述目的，本发明所采用的技术方案是：一种基于改进k-means聚类算法的质心空间上采样算法，包括：使用k-means聚类算法对样本集进行聚类，并基于距离原则选择初始聚类中心；基于给定的存储结构，计算样本集中各样本分别与各初始聚类中心的欧式距离，进而获取聚类簇；基于获取的聚类簇，通过各聚类簇之间的欧氏距离计算出样本的初始质心，形成质心簇；根据每个质心簇的欧氏距离计算出所有样本簇总的欧氏距离；每个质心欧氏距离与样本总的欧氏距离的比值，得到权重系数；权重系数和需要上采样的样本的乘积为每个质心簇的增加的样本数。

进一步地，所述使用k-means聚类算法对样本集进行聚类指对小类样本进行聚类。

进一步地，所述基于距离原则选择初始聚类中心，包括：

b-a、根据所有小类样本的坐标，所有样本的坐标相加求平均，得到小类样本集的重心记为O点；

b-b、选择距离重心O点最远的一点作为O₁点，O₁点为第一个初始聚类中心；

b-c、选距离O₁点最远的一点作为O₂点，O₂点为第二个初始聚类中心；

b-d、选择到O₁点和O₂点距离和最大的点作为O₃点，O₃点为第三个初始聚类中心；

b-e、依此类推，得到k个初始聚类中心，其集合为{Q₁,Q₂,…,Q_k}。

进一步地，所述基于给定的存储结构，计算样本集中各样本分别与各初始聚类中心的欧式距离，进而获取聚类簇，包括：