知识卡片
初始化和离群点改变聚类
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?
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
- 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。