In the present trend, availability of data increases more and more in all the fields in more complex way. It is very difficult for handling in an effective way with best scalability for proper decision making of knowledge extraction. K-Means algorithm is the most familiar extensive old-style partitioned and faster clustering algorithm than other clustering methods. But it is very subtle for initial centroids and it can be simply surrounded. So, in need of effective optimum centroid with faster clustering, this paper proposed Rainfall Flow Optimization (RFFO) based on K-Means algorithm. RFFO is a new flood optimization technique like other optimization methods such as PSO, ACO, BCO, and so forth. RFFO is based on the nature of rainfall flow with various environments and its behavior of flow from shallow to depth. Scientific calculations are also used to find flow of data from one location to another location by its present location of waterfall, its velocity, and its most neighboring flow depth. This water storage mainly depends on nearest storage location, maximum depth, size of the storage area, and condition of the storage location. RFFO has some of the unique features than other optimization methods like speed of flow, total quantity of flow, location of flow, and so forth, that determines the optimal centroid. The performance of this proposed RFFO technique is measured with Accuracy, Jaccard Coefficient, Random Coefficient, and also compared with other existing methods using medical data set to cluster risk factor of heart disease with 300 data set.

中文翻译：

---

基于降雨流优化的医学数据K-Means聚类

在目前的趋势下，数据的可用性在所有领域都以更复杂的方式增加。以最佳可扩展性的有效方式处理知识提取的正确决策是非常困难的。K-Means 算法是最熟悉的广泛的旧式分区和比其他聚类方法更快的聚类算法。但它对于初始质心来说非常微妙，可以简单地包围它。因此，需要快速聚类的有效最优质心，本文提出了基于K-Means算法的Rainfall Flow Optimization（RFFO）。RFFO 与其他优化方法如 PSO、ACO、BCO 等一样，是一种新的洪水优化技术。RFFO 基于不同环境下降雨流的性质及其从浅到深的流动行为。科学计算还用于通过瀑布的当前位置、速度和最邻近的水流深度来查找从一个位置到另一个位置的数据流。这种蓄水主要取决于最近的蓄水位置、最大深度、蓄水区的大小和蓄水位置的条件。与其他优化方法相比，RFFO 具有一些独特的特性，如流速、流量总量、流量位置等，可确定最佳质心。这种提出的 RFFO 技术的性能是用准确度、Jaccard 系数、随机系数来衡量的，并且还与其他使用医学数据集的现有方法进行了比较，以用 300 个数据集对心脏病的风险因素进行聚类。它的速度，以及它最邻近的流动深度。这种蓄水主要取决于最近的蓄水位置、最大深度、蓄水区的大小和蓄水位置的条件。与其他优化方法相比，RFFO 具有一些独特的特性，如流速、流量总量、流量位置等，可确定最佳质心。这种提出的 RFFO 技术的性能是用准确度、Jaccard 系数、随机系数来衡量的，并且还与其他使用医学数据集的现有方法进行了比较，以用 300 个数据集对心脏病的风险因素进行聚类。它的速度，以及它最邻近的流动深度。这种蓄水主要取决于最近的蓄水位置、最大深度、蓄水区的大小和蓄水位置的条件。与其他优化方法相比，RFFO 具有一些独特的特性，如流速、流量总量、流量位置等，可确定最佳质心。这种提出的 RFFO 技术的性能是用准确度、Jaccard 系数、随机系数来衡量的，并且还与其他使用医学数据集的现有方法进行了比较，以用 300 个数据集对心脏病的风险因素进行聚类。与其他优化方法相比，RFFO 具有一些独特的特性，如流速、流量总量、流量位置等，可确定最佳质心。这种提出的 RFFO 技术的性能是用准确度、Jaccard 系数、随机系数来衡量的，并且还与其他使用医学数据集的现有方法进行了比较，以用 300 个数据集对心脏病的风险因素进行聚类。与其他优化方法相比，RFFO 具有一些独特的特性，如流速、流量总量、流量位置等，可确定最佳质心。这种提出的 RFFO 技术的性能是用准确度、Jaccard 系数、随机系数来衡量的，并且还与其他使用医学数据集的现有方法进行了比较，以用 300 个数据集对心脏病的风险因素进行聚类。