cluster-analysis - K 表示使用 Mahout 进行聚类

Question

我正在使用此处给出的聚类技术对大型数据集进行聚类，这在 Mahout 示例中给出。但是，当我可视化特定的聚类时，我得到下图。

我真的很难理解这实际上意味着什么并且有几个问题。

1. 所有彩色线条表示什么？
2. 这么多集群是什么意思？
3. 为什么少数区域拥挤，而其他区域不拥挤？
4. 为什么几条彩色线相互重叠？

Answer 1

k-means 不是最先进的聚类技术。圆圈作为一种可视化技术具有误导性，它实际上是将数据空间划分为 Voronoi 单元（在 Wikipedia 上查找）。它也更喜欢类似大小的集群。

1. 我假设不同的颜色表示 k-means 的不同迭代。它需要多次运行来优化其结果（通常只达到局部最小值，不同的运行会导致不同的结果）。所以结果还不是很稳定，我猜。它们只是缓慢地移动，这就是为什么它们没有太多重叠的原因。

2. 簇的数量是 k-means 的一个参数。它通常表示为k。k-means 无法确定集群的数量，但如果您使用多个 k 值运行它，您可以测试哪个结果最适合数据集。

3. k-means 不考虑密度。为此，您需要一个基于密度的聚类算法。k-means 更喜欢类似大小的集群。你的“k”可能太高了。

4. 由于它们是迭代更新的，因此不同的迭代不应重叠太多。