问题标签 [k-means]

我无法完全理解K-Means++ 算法。我对如何选择第一个k质心很感兴趣，即初始化，其余部分就像原始K-Means 算法一样。

1. 使用的概率函数是基于距离还是高斯？
2. 同时，选择最远的点（从其他质心）作为新质心。

我将欣赏一步一步的解释和一个例子。维基百科中的那个不够清楚。还有一个很好注释的源代码也会有所帮助。如果您使用 6 个阵列，请告诉我们哪个阵列用于什么用途。

我正在使用 OpenCV 的 python 接口对多维数据（通常为 7 维）进行 K-Means 聚类。我得到了集群的奇怪结果。当请求 n 个集群（索引 0 到 n）时，一些集群没有分配给它们的点 - 这导致集群少于预期。有人成功使用了 OpenCV 的 python K-Means 实现吗？一些用户体验或建议将是最有帮助的。

这是我的python实现的代码片段：

问候，

斯特凡

是否可以使用 scikit-learn K-Means Clustering 指定您自己的距离函数？

嗨，我是Cluster的新手，我不知道哪种算法适合我的任务。让我描述一下我的任务：

1. 首先，给定一组点以及它们之间的距离
2. 根据距离将它们聚类成几个聚类。
3. 将添加一些新点，所有点之间的距离也会给出。
4. 重复 2

例如，首先我们有以下矩阵

聚类后​​，我们添加一个新点，距离也给出：

这里的问题是速度，我希望集群是增量集群，即后面的集群可以利用以前的结果。因为我们会经常添加点（如果我们找到一个），如果我们每次都重新聚类点。即使集群本身有O(n)，集群的总时间也会是O(n^2)。

有什么建议吗？

谢谢

我想在 5 台机器的 hadoop 集群中运行 Mahout 的 K-Means 示例。我应该在所有节点中保留哪些 Mahout jar 文件，以便 K-Means 以分布式方式执行。谢谢。

-文基拉姆

kmeans()我从我的数据集上kmeansCBI()的fps包中都试过了。

但是，它们给出了不同的SSE值，所以我不知道哪个是正确的值。

例如，对于 700*5 的数据，kmeans()给我大约 33000 作为 SSE，但kmeansCBI()给我 120 作为 SSE。

我应该使用什么值？

谢谢。

我正在使用 R 软件（R 指挥官）对我的数据进行聚类。我有一个较小的数据子集，包含 200 行和大约 800 列。尝试 kmeans 聚类并在图表上绘图时出现以下错误。“'princomp' 只能用于比变量更多的单位”

然后，我创建了一个 10 行和 10 列的测试文档，它的绘图很好，但是当我添加一个额外的列时，我再次遇到错误。为什么是这样？我需要能够绘制我的集群。当我在对其执行 kmeans 后查看我的数据集时，我可以看到额外的结果列，其中显示了它们属于哪些集群。

有什么我做错了吗，我可以摆脱这个错误并绘制更大的样本吗？？？请帮助，已经破坏了我一个星期的头。多谢你们。

在'amap'包中运行了几次，但即使参数和种子值始终相同，每次运行Kmeans或其他聚类方法时，聚类结果都不同。

我在不同的包中尝试了另一个 kmeans 函数，但仍然相同......

事实上，我想同时使用 Weka 和 R，所以我也尝试SimpleKMeans了 RWeka 包，这总是给出相同的值。但是，问题是我不知道如何在 RWeka 中存储来自 SimpleKmeans 的集群数据以及集群编号，所以我被卡住了......

无论如何，我怎样才能保持聚类结果始终相同？或如何将聚类结果存储SimpleKmeans到 R 中？

我使用大小为 4000x300（4000 个质心，每个质心有 300 个特征）的 k-means 创建了一个码本。使用密码本，然后我想标记一个输入向量（用于稍后进行分箱）。输入向量的大小为 Nx300，其中 N 是我收到的输入实例的总数。

为了计算标签，我为每个输入向量计算最近的质心。为此，我将每个输入向量与所有质心进行比较，并选择距离最小的质心。那么标签就是那个质心的索引。

我当前的 Matlab 代码如下所示：

但是，这段代码仍然相当慢（出于我的目的），我希望有一种方法可以进一步优化代码。

一个明显的问题是有一个 for 循环，它是 Matlab 良好性能的祸根。我一直试图想出一种方法来摆脱它，但没有运气（我研究过将 arrayfun 与 bsxfun 结合使用，但还没有让它起作用）。或者，如果有人知道任何其他加快速度的方法，我将不胜感激。

更新

在做了一些搜索之后，我找不到使用 Matlab 的好解决方案，所以我决定查看 Python 的 scikits.learn 包中用于 'euclidean_distance' （缩短）的内容：

它使用欧几里得距离 ((xy)^2 -> x^2 + y^2 - 2xy) 的二项式形式，据我所知，它通常运行得更快。我完全未经测试的 Matlab 翻译是：

任何人都可以解释 WEKA 中 K-Means 聚类的输出实际上意味着什么。

例如

列中的数字实际上是什么意思，它表示表格上方的聚类质心，但是如何确定两个聚类的质心是什么？

如果有人能解释这些数字的含义，我将不胜感激。

如果有人对如何完成对发现的集群的轮廓评估有任何想法，那也很棒。

谢谢