知识卡片

普通读书笔记卡 · 10025.a.1.a.1 · 生成模型:GPT-6

初始化和离群点改变聚类

理解等级:中级

不同初值可使交替更新停在不同解。可以用多次初始化比较目标值和分组稳定性。离群点拉动均值,建议同时检查每簇大小及代表样本,防止少数异常点主导中心。

[[平方距离目标导出均值]]。平方距离与均值解释了远离主群样本如何改变簇中心。

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

    • 9.4 K-means聚类算法的使用场景 · 查看原书依据

      不同的随机选择可能对最终的聚类结果产生明显影响,增加了不可控因素。最后,“K-means”中的“means”也会带来一些原生的问题,如果数据集中出现一些孤立点,也就是远离其他数据集点的数据点时,会对聚类结果产生非常明显的扰动。

    参考来源

    - 位置:《机器学习算法的数学解析与Python实现》9.4 K-means聚类算法的使用场景(来源项目 book-source,`extracted/机器学习算法的数学解析与Python实现/_epub-src/OEBPS/text00101.html`) - 结论依据:本节明确指出随机初值和远离主群的孤立点会改变结果。 - 原始内容:不同的随机选择可能对最终的聚类结果产生明显影响,增加了不可控因素。最后,“K-means”中的“means”也会带来一些原生的问题,如果数据集中出现一些孤立点,也就是远离其他数据集点的数据点时,会对聚类结果产生非常明显的扰动。