针对经典K–means算法对不均衡数据进行聚类时产生的“均匀效应”问题，提出一种基于近邻的不均衡数据聚类算法（Clustering algorithm for imbalanced data based on nearest neighbor，CABON）。CABON算法首先对数据对象进行初始聚类，通过定义的类别待定集来确定初始聚类结果中类别归属有待进一步核定的数据对象集合；并给出一种类别待定集的动态调整机制，利用近邻思想实现此集合中数据对象所属类别的重新划分，按照从集合边缘到中心的顺序将类别待定集中的数据对象依次归入其最近邻居所在的类别中，得到最终的聚类结果，以避免“均匀效应”对聚类结果的影响。将该算法与K–means、多中心的非平衡K_均值聚类方法（Imbalanced K–means clustering method with multiple centers，MC_IK）和非均匀数据的变异系数聚类算法（Coefficient of variation clustering for non-uniform data，CVCN）在人工数据集和真实数据集上分别进行实验对比，结果表明CABON算法能够有效消减K–means算法对不均衡数据聚类时所产生的“均匀效应”，聚类效果明显优于K–means、MC_IK和CVCN算法

1 K-Means 聚类算法 (Clustering Algorithm) 解释 Explanation 收敛性 Convergence of K-Means 矩阵建模 Matrix Modelling of K-Means 2 网页排序 PageRank 动机 Motivation 简单网页排序 Simplified PageRank 网页排序建模 PageRank Modelling 例子 Example

14.1 聚类分析概述 14.2 相似性计算方法 14.3 常用聚类方法 14.3.1 划分方法 k-means算法（k-均值算法） k-medoids算法（k-中心算法） 14.3.2 层次方法 AGNES算法（合并聚类法） DIANA算法（分裂聚类法） 14.4 孤立点分析

主要采用数据挖掘技术中的聚类分析算法对电弧炉炼钢的历史数据进行分析、加工处理,得出不同热装铁水比、炼钢成本、氧耗情况下的炉次分类,再利用K-means聚类法得到聚类结果,并对结果进行分析.通过分析比对,在结果的不同分类中选出最优的用氧和用电曲线

同济大学：《大数据分析与数据挖掘 Big Data Analysis and Mining》课程教学资源（PPT课件讲稿）K-means & EM

北京大学：《模式识别》课程教学资源（参考资料）Data Clustering - 50 Years Beyond K-means

【自然语言处理与理解】命名实体的网络话题K-means动态检测方法

【人工智能基础】基于可拓距的改进k-means聚类算法

1 K-Means Clustering Algorithm 2 PageRank

《大规模数据处理——云计算 Mass Data Processing Cloud Computing》课程教学资源（阅读材料）k-means++——The Advantages of Careful Seeding