呼吸 K-Means：通过动态 K 值获得更优 K-Means 解
摘要
我们提出呼吸 k-means 算法，其平均显著改进了广为人知的贪心 k-means++ 算法（scikit-learn 包中 k-means 聚类的默认方法）所获得的解。改进通过一种新颖的“呼吸”技术实现，该技术基于局部误差和效用度量循环增减质心数量。我们以贪心 k-means++ 为基线进行实验，将其与呼吸 k-means 及另外五种 k-means 算法比较。在所研究的方法中，仅呼吸 k-means 与 better k-means++ 持续优于基线，其中呼吸 k-means 表现出显著领先。即便将所有其他算法十次运行的最佳结果与呼吸 k-means 单次运行比较，其优越性能依然保持，凸显了它的有效性与速度。我们的发现表明呼吸 k-means 算法优于其他 k-means 技术，尤其是十次重复的贪心 k-means++，它在解质量与速度上均占优。这使得呼吸 k-means（内置由单次贪心 k-means++ 初始化）成为单独运行贪心 k-means++ 的更优替代方案。
引用
@article{arxiv.2006.15666,
title = {Breathing K-Means: Superior K-Means Solutions through Dynamic K-Values},
author = {Bernd Fritzke},
journal= {arXiv preprint arXiv:2006.15666},
year = {2024}
}
备注
v5: Title changed to better address the core contribution. Terminology unified. v4: 40 pages, 10 figures, 19 tables; Algorithm has been compared to five additional k-means algorithms (beneath greedy k-means++). Five different groups of test problems have been investigated. Python package: https://pypi.org/project/bkmeans