本文首先分析研究传统的聚类算法中的K-means算法的思想及过程，研究表明传统的K-means算法中样本属性对于结果贡献是均匀的，无法得出样本的每个属性对于结果是否影响或者对于结果影响的程度。所以，在样本属性对于结果贡献均匀的情况下，考虑不同属性的影响，分析出基于属性加权的K-means算法对于贡献结果影响。

......

4.实验分析：

K-means算法的优点是：首先，算法能根据较少的已知聚类样本的类别对树进行剪枝确定部分样本的分类；其次，为克服少量样本聚类的不准确性，该算法本身具有优化迭代功能，在已经求得的聚类上再次进行迭代修正剪枝确定部分样本的聚类，优化了初始监督学习样本分类不合理的地方；第三，由于只是针对部分小样本可以降低总的聚类时间复杂度。K-means算法的缺点是：首先，在 K-means 算法中 K 是事先给定的，这个 K 值的选定是非常难以估计的。很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适；其次，在 K-means 算法中，首先需要根据初始聚类中心来确定一个初始划分，然后对初始划分进行优化。这个初始聚类中心的选择对聚类结果有较大的影响，一旦初始值选择的不好，可能无法得到有效的聚类结果；最后，该算法需要不断地进行样本分类调整，不断地计算调整后的新的聚类中心，因此当数据量非常大时，算法的时间开销是非常大的。

......

大数据的掌握和利用，随着时代发展已经变得越来越重要，因此如何对大数据的划分已经成为人们越来越关心的研究课题，聚类分析思想 算法作为传统的剖分方法，它的思想和工作流程是无可替代的，所以，本文首先了解聚类分析思想，得知聚类分析中划分法的思路，通过划分法中的一种为改良K-means算法研究，得知，其中K-means算法中的样本属性对于调用K-means算法后的结果不产生差异影响。而现实情况下，由于存在主要属性和次要属性，因此属性对于结果贡献应该是存在差异的，而造成差异的原因是事物本身和......