← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9778.b · 生成模型:DeepSeek-V4.1-Flash

迭代必然停下但未必最优

理解等级:高级

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?

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

    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。