知识卡片
kmeans++初始化
经典 k-means 用随机点作初始中心,若选得不好会导致簇效果差或收敛慢。改进一:多次运行取 SSE 最小;改进二:k-means++ 让初始中心彼此尽可能远离,产生更好更一致的结果。初始化步骤:①建空集合 M 存 k 个中心;②随机选第一个中心加入 M;③对 M 外每点算到 M 的最小平方距离;④按加权概率分布随机选下一个中心;⑤重复至选满 k 个;⑥执行 k-means。scikit-learn 的 KMeans 把 init 设为 k-means++(默认)即可。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 聚类分析——处理无类标数据 · 查看原书依据
使用k-means++算法让初始中心点彼此尽可能远离,相比传统k-means算法,它能够产生更好、更一致的结果
参考来源
- 位置:《Python机器学习》第11章《11.1.1 k-means++》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0139.xhtml.xhtml)
- 结论依据:原文直接支撑上述要点。
- 原始内容:使用k-means++算法让初始中心点彼此尽可能远离,相比传统k-means算法,它能够产生更好、更一致的结果