知识卡片
迭代必然停下但未必最优
每轮迭代的目标值只降不升,而把 n 个点分给 k 个簇的划分方案总数虽然巨大却是有限的,所以循环不会无限震荡,必定在有限步内停在一个没有点愿意改换门庭的状态。但“停住”只保证局部最优:换一组初始中心,可能落到另一个目标值更低的划分。这正是 k-均值对初始化敏感、结果随随机种子变化的根源,也是它必须靠多次运行比较的原因。反过来说,穷举所有划分求全局最优在组合规模上不可行,迭代是拿最优性换可行性。实践含义是:不要把某次运行的簇编号、簇边界当成数据的固有结构,报告时应交代随机性,并对关键结论做重复实验。
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
- 第20章 聚类分析 · 查看原书依据
因为可以将 个点分配给 个聚类的方法很多,所以找到最佳聚类方案非常难。为了找到好的聚类,可以借助迭代算法。
参考来源
- 位置:《数据科学入门(第2版)》第20章 聚类分析(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0024.xhtml)
- 结论依据:原文这一段直接给出本卡的核心判断:「因为可以将 个点分配给 个聚类的方法很多,所以找到最佳聚类方案非常难……」
- 原始内容:因为可以将 个点分配给 个聚类的方法很多,所以找到最佳聚类方案非常难。为了找到好的聚类,可以借助迭代算法。