การเริ่มต้น K-หมายถึงศูนย์โดยวิธีการของชุดย่อยแบบสุ่มของชุดข้อมูลหรือไม่

ถ้าฉันมีชุดข้อมูลที่แน่นอนมันจะฉลาดแค่ไหนที่จะเริ่มต้นศูนย์คลัสเตอร์โดยใช้วิธีการสุ่มตัวอย่างของชุดข้อมูลนั้น

5 clustersตัวอย่างเช่นสมมติว่าผมต้องการ ฉัน5 random samplesพูดsize=20%ของชุดข้อมูลเดิม จากนั้นฉันจะใช้ค่าเฉลี่ยของตัวอย่างสุ่มทั้ง 5 เหล่านี้แล้วใช้ค่าเฉลี่ยเหล่านั้นเป็นศูนย์คลัสเตอร์เริ่มต้น 5 ศูนย์ของฉันได้หรือไม่ ฉันไม่รู้ว่าฉันอ่านตรงไหน แต่อยากรู้ว่าพวกคุณคิดอย่างไรกับแนวคิดนี้

UPDATE:โปรดดูหัวข้อนี้การเริ่มต้น K-หมายถึงการจัดกลุ่ม: วิธีการที่มีอยู่คืออะไร? สำหรับการสนทนาทั่วไปเกี่ยวกับวิธีการเริ่มต้นต่างๆ

หากคุณสุ่มแบ่งกลุ่มตัวอย่างออกเป็น 5 subsamples 5 ของคุณหมายความว่าเกือบจะเหมือนกัน ความรู้สึกของการทำจุดปิดดังกล่าวเป็นศูนย์คลัสเตอร์เริ่มต้นคืออะไร?

ในการใช้งาน K- หมายถึงการเลือกเริ่มต้นของศูนย์คลัสเตอร์เริ่มต้นขึ้นอยู่กับแนวคิดที่ตรงกันข้าม: เพื่อค้นหา 5 คะแนนซึ่งอยู่ไกลที่สุดและทำให้เป็นศูนย์เริ่มต้น คุณอาจถามว่าอะไรจะเป็นวิธีการค้นหาจุดที่ห่างไกลเหล่านั้น? นี่คือสิ่งที่ K-Mean 'ทำเพื่อ:

ใช้k cases (points) ใด ๆของชุดข้อมูลเป็นศูนย์เริ่มต้น กรณีส่วนที่เหลือทั้งหมดจะถูกตรวจสอบความสามารถในการเปลี่ยนเป็นศูนย์เริ่มต้นตามเงื่อนไขต่อไปนี้:

• a) หากกรณีนั้นอยู่ห่างจากจุดศูนย์กลางที่อยู่ใกล้ที่สุดมากกว่าระยะห่างระหว่างสองจุดที่อยู่ใกล้กันมากที่สุดจุดกึ่งกลางของคดีจะเข้ามาแทนที่จุดกึ่งกลางของจุดสองหลังซึ่งอยู่ใกล้ที่สุด
• b) หากกรณีนั้นอยู่ห่างจากจุดศูนย์กลางที่ 2 ซึ่งอยู่ใกล้ที่สุดไปกว่าระยะห่างระหว่างจุดกึ่งกลางที่อยู่ใกล้ที่สุดกับจุดกึ่งกลางที่อยู่ใกล้จุดหลังที่สุดกรณีนี้จะแทนที่จุดกึ่งกลางที่อยู่ใกล้ที่สุด

หากเงื่อนไข (a) ไม่เป็นที่พอใจจะมีการตรวจสอบเงื่อนไข (b) หากไม่เป็นที่พอใจทั้งกรณีจะไม่กลายเป็นศูนย์กลาง จากผลของการดำเนินการผ่านกรณีดังกล่าวเราได้รับkกรณีสูงสุดในคลาวด์ซึ่งกลายเป็นศูนย์เริ่มต้น ผลที่ได้จากอัลโกนี้ถึงแม้ว่าจะมีความแข็งแกร่งเพียงพอ แต่ก็ไม่ได้มีความรู้สึกไวต่อตัวเลือกเริ่มต้นของ " เคสkใด ๆ" และลำดับการเรียงลำดับของเคสในชุดข้อมูล ดังนั้นหลายคนพยายามเริ่มต้นสุ่มยังคงยินดีให้มันเป็นเสมอกรณีที่มี K-วิธี

ดูคำตอบของฉันพร้อมรายการวิธีการเริ่มต้นยอดนิยมสำหรับวิธีค่า k วิธีการแบ่งเป็นชุดย่อยแบบสุ่ม (ถูกวิพากษ์วิจารณ์ที่นี่โดยฉันและคนอื่น ๆ ) รวมถึงวิธีที่อธิบายโดย SPSS ที่ใช้ - อยู่ในรายการด้วย

วิธีการจะคล้ายกันมากเกินไป คุณสามารถหาค่าเฉลี่ยของชุดข้อมูลแล้ววางเซนทรอยด์เริ่มต้นในวงกลม / ทรงกลมเล็ก ๆ รอบค่าเฉลี่ยนี้

หากคุณต้องการดูรูปแบบการเริ่มต้นเสียงเพิ่มเติมสำหรับ k-mean ให้ดูที่ k-หมายถึง ++ พวกเขาได้คิดค้นวิธีที่ชาญฉลาดสำหรับการเพาะเมล็ด k-mean

• Arthur, D. และ Vassilvitskii, S. (2007)
  k-หมายถึง ++: ข้อดีของการเพาะอย่างระมัดระวัง ".
  การประชุมวิชาการ ACM-SIAM ประจำปีที่สิบแปดในอัลกอริทึมแบบแยก

สไลด์ผู้แต่ง: http://www.ima.umn.edu/~iwen/REU/BATS-Means.pdf

การใช้วิธีการสุ่มตัวอย่างจะทำให้คุณได้สิ่งที่คุณต้องการตรงที่ ttnphns ชี้ให้เห็นในความคิดเห็นของเขา สิ่งที่เราต้องการคือวิธีหาจุดข้อมูลที่อยู่ห่างไกลกัน

เป็นการดีที่คุณสามารถทำซ้ำทุกจุดหาระยะทางระหว่างพวกเขากำหนดว่าระยะทางที่ใหญ่ที่สุด ...

ไม่ใช่เพื่อหลีกเลี่ยงความตั้งใจของ OP แต่ฉันคิดว่า "การแก้ปัญหา" นั้นถูกสร้างขึ้นในอัลกอริทึม k-mean เราดำเนินการซ้ำหลายครั้งและคำนวณ centroid คลัสเตอร์ใหม่ตามการทำซ้ำก่อนหน้านี้ เรามักจะเรียกใช้อัลกอริทึม kmeans หลายครั้ง (ด้วยค่าเริ่มต้นแบบสุ่ม) และเปรียบเทียบผลลัพธ์

หากมีความรู้เบื้องต้นความรู้เกี่ยวกับโดเมนนั่นอาจนำไปสู่วิธีการที่เหนือกว่าในการระบุว่าศูนย์คลัสเตอร์เริ่มต้นควรอยู่ที่ไหน มิฉะนั้นอาจเป็นเรื่องของการเลือกจุดข้อมูลแบบสุ่มเป็นค่าเริ่มต้นจากนั้นใช้หลายการทำงานและการทำซ้ำหลายครั้งต่อการรัน

$k$