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。
- 所有彩色线条表示什么?
- 这么多集群是什么意思?
- 为什么少数区域拥挤,而其他区域不拥挤?
- 为什么几条彩色线相互重叠?
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。
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。
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。
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。
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。
由于它们是迭代更新的,因此不同的迭代不应重叠太多。