1.3研究内容和研究方法

在数据挖掘中，聚类主要解决的是在不知道类别标签的情况下的样本数据分类问题。聚类和分类的区别主要在于：分类是用已经知道了类别标签的样本数据去训练一个分类器，再用该分类器对其他未知类别的样本进行归类，属于有导师、有监督的学习；聚类是完全不知道各个样本的类别，而需要按照一定的聚类度量准则直接进行聚类，属于无导师、无监督的学习。

    系统聚类问题主要有两种形式，一种是对研究对象本身进行分类，称为 型聚类；另一种是对研究对象的观察指标进行分类，称为 型聚类。目前，聚类主要运用在图象处理、模式识别、客户信息分析、金融分析、医学、军事等诸多领域中。

在聚类分析中，K-means算法是一种经典的基于划分的聚类算法，它是目前应用最广泛也最成熟的一种聚类分析方法。但是该算法存在着对初始聚类中心的选择非常敏感，容易取得局部最优解，对噪声数据和孤立点数据比较敏感等问题。此外，由于K-means算法采用的是一种以距离作为度量数据点间相似度的方法，故无法发现任意形状的簇，而只能发现数据点分布较为均匀的类球状簇。

基于此，本课题主要研究各种聚类算法的优缺点及重点对K-means聚类算法展开分析研究。并通过实验数据采集，对K-means聚类算法进行仿真模拟，应用范围也较广