基于改进K-Means聚类算法的NBA球员价值评估*

蔡鹏飞,赵开新

(1.河南工学院 计算机科学与技术学院,河南 新乡 453003;2.河南省制造业物联网应用工程技术研究中心,河南 新乡 453003)

0 引言

球员价值的评估是困扰俱乐部管理者多年的一道难题。在信息膨胀的时代,数据来源不断丰富,数据规模迅速增加,数据让球队评估球员价值时可以更加严谨[1]。本文提出了一种改进的K-Means聚类算法,把NBA球员的数据集中起来进行分析,根据该算法的结果,可以实现对NBA球员价值的评估。

1 K-Means聚类算法

K-Means聚类算法是无监督的聚类算法,它实现起来比较简单,聚类效果也不错,因此应用得很广泛。K-Means算法的思想很简单:对于给定的样本集,按照样本之间的距离大小,将样本集划分为k个簇;让簇内的点尽量紧密地连在一起,而让簇间的距离尽量地大。

K-Means算法使用间隔作为相似性的评估参数,即意味着对象之间的间隔越近,其相似度越大[2]。K-Means算法认为类簇是由间隔接近的对象组合的,所以该算法把获得紧密和独立的簇作为终极任务。在实际使用K-Means算法的时候需要掌握k值的大小,即聚类数量,以达到最终的聚类效果。K-Means聚类算法的流程如图1所示。

图1 K-Means聚类算法的流程图

算法步骤为:

(1)在多个向量里任选出k个向量作为起始的聚类中心点。(2)以这k个中心点为参照点,计算出数据集中所有对象和这些中心点各自的间距。(3)数据集每个向量和k个向量的间隔不同,把向量和距离它最近的中心点划到一个类簇里。(4)重新计算每个类簇的中心点的位置。……