cluster-analysis - 如何应用具有从 PSO 算法指定的确定集群位置的 KMEANS 算法？

Question

如何应用具有从 PSO 算法指定的确定集群位置的 KMEANS 算法？

Answer 1

做吧。

K-means 允许您指定初始质心。

Answer 2

如果没有任何关于您正在处理的数据性质的信息（如果维度、数据类型、异常值、重叠等），就不可能给出具体的答案。

我不知道任何真正的k-means 实现，您可以在其中传递算法用来初始化 k-means 质心的质心列表。通常这些是随机选择的。（您不能编写自己的 k-means 实现来进行此初始化吗？简单地采用开源实现并添加一个参数）

但是，在 kmeans 的 python sklearn 实现中，有一个kmeans++实现，您可以在其中将初始中心作为数组传递。

init : {‘k-means++’, ‘random’ or an ndarray}

    Method for initialization, defaults to ‘k-means++’:

    ‘k-means++’ : selects initial cluster centers for k-mean clustering 
     in a smart way to speed up convergence. 
     ...
     If an ndarray is passed, it should be of shape 
     (n_clusters, n_features) and gives the initial centers.

不过没用过。

我在记得/查找kmeans++ 之前写了这个：

这是穷人的做法：

k 您可以使用等于PSO 算法（无论它做什么）给您的列表/数组长度的参数运行 kmeans 。

然后kmeans会很快找到自己的质心。多次执行此操作，可能使用不同的距离度量（欧几里得、曼哈顿、最短、最长、平均...），以及随机数生成器的不同种子。之后，每次将 k-means 质心的坐标与 PSO 质心的坐标进行比较。

当存在接近1:1 的对应关系时（取决于您的要求），您就找到了匹配项。然后对你的 k-means 分类结果列表做一些事情。