可下载资源

在本文中，我们采用了改进K-means聚类法帮助客户对随机选择的个股进行了聚类，并对各类股票进行了分析，给出了相应的投资建议。

算法描述与步骤：

输入：包含n个对象的数据集；

输出：使得取值最小的对应的k值。

（1）根据初步确定簇类个数k的范围；

（2）仍然是用K-means算法对的每一个k值分别进行聚类；

（3）分别计算不同聚类个数k所对应的的值；

（4）找出最小的值，记下对应的k值，算法结束。

基本思想：

传统K-means聚类采用随机选择初始中心的方法一旦选到孤立点，会对聚类结果产生很大的影响，所以我们将初始中心的选择范围放在高密度区。

首先在高密度区选择相距最远的两个样本点作为聚类的初始中心点，再找出与这两个点的距离之和最大的点作为第3个初始中心，有了第3个初始中心，同样找到与已有的三个初始聚类中心距离和最远的点作为第4个初始中心，以此类推，直到在高密度区将k个聚类中心都找出来为止。

 #首先在高密度区选择相距最远的两个样本点作为聚类的初始中心点，再找出与这两个点的距离之和最大的点作为第3个初始中心，
  
  dd=dist(data)
  dd=as.matrix(dd)
  #高密度区域
  D=which(dd<max(dd)/6 & dd!=0,arr.ind = T)
  D=unique(D[,1])
  dataD=data[D,]
  index=0
  for(i in 1:k){
    
    index[i]=as.numeric(row.names(which (

相似性度量的改进

在前面确定了k值以及k个初始聚类中心后，只要再确定相似性度量即可得到聚类结果。然而传统的K-means聚类采用欧氏距离作为相似性度量，这种方法没有很好地考虑到其实每个数据样本对聚类结果的影响可能是不同的，一律采用欧氏距离进行相似性衡量对聚类结果会产生较大影响。

 ###根据改进后的加权欧氏距离公式
  ##   检验聚类操作是否需要结束，改进后的加权准则函数公式：的值最小或保持不变了
  sqrt(sum((c1$Centers/(sum(c1$Centers)/len

输出聚类结果和聚类中心

###########################聚类类别###############
fit$Clusters
###########################聚类中心#########################
fit$Centers