K均值算法[重复]

        如果您明确希望使用k均值，则可以研究描述x均值的文章。当使用x均值的实现时，与k均值相比，唯一的区别在于，您可以为k指定一个范围，而不是指定单个k。最佳选择。在该范围内的某些度量将是x均值输出的一部分。您也可以查看 均值漂移聚类算法。 如果使用给定的数据在计算上可行（可能按照yura建议的那样使用抽样），则可以使用各种k \进行聚类，并使用一些标准的聚类有效性度量来评估所得聚类的质量。这里描述了一些经典的度量：度量。 @doug 在集群分配开始之前，k-means ++为集群数确定最佳k是不正确的。 k-means ++与k-means的区别仅在于，它不是随机选择初始的k个质心，而是随机选择一个初始的质心，并依次选择中心，直到选择了k。在最初的完全随机选择之后，数据点被选为新质心，其概率由潜在函数确定，该函数取决于数据点到已选择中心的距离。 k-means ++的标准参考是k-means ++：Arthur和Vassilvitskii的《精心播种的优点》。 而且，我不认为通常选择k作为主成分的数量会改善您的聚类。想象一下三维空间中的所有数据点都位于通过origo的平面中。然后，您将获得2个主成分，但是点的“自然”聚类可以具有任意数量的聚类。     

        不幸的是没有。没有原则性的统计方法（简单或复杂）可以设置“正确的K”。有启发式的经验法则有时有效，有时无效。 这种情况更为普遍，因为许多聚类方法都具有这些类型的参数。     

        对于智能选择问题，有两种可行的解决方案 常用质心（k）的数量。 首先是PCA的数据，然后是PCA的输出- 主成分（特征向量）及其对变化的累积贡献 在数据中观察到的-很明显表明质心的最佳数量。 （例如，如果您的数据中有95％的可变性由前三个原理解释 分量，则k = 3是k均值的明智选择。） 智能估计k的第二种常用实用解决方案是 是k-means算法的修订版实现，称为k-means ++。在本质上， k-means ++与原始k-means的区别仅在于预处理 步。在此步骤中，估计质心的数量和初始位置。 k-means ++所依赖的算法可以很容易地理解和在代码中实现。两者的一个很好的来源是LingPipe Blog中的2007帖子，它提供了一个很好的 对k-means ++的解释以及对原始论文的引用 首先介绍了这项技术。 除了为k提供最佳选择外，k-means ++显然优于 两种性能均采用原始k均值（相较于大约1/2处理时间 在一次发布的比较中使用k均值）和准确性（三个数量级） 同一比较研究中的错误改善）。     

        当您不知道簇数时，贝叶斯k均值可能是一种解决方案。网站上有一篇相关的论文，并给出了相应的MATLAB代码。     

        解决未知问题（通过统计参数模型等）的最佳解决方案是对数据进行采样并找到最适合子问题的参数，然后在完全问题上使用它们。在这种情况下，请为5％的数据选择最佳K。