CAS 压缩加速丝绸分析：一种高效确定 K 均值聚类最优 K 值的方法
机器学习
2025-07-14 v1
摘要
聚类是当今数据驱动环境中决策的关键组成部分，广泛应用于生物信息学、社交网络分析和图像处理等多个领域。然而，聚类精度在大规模数据集上仍是主要挑战。本文综合概述了选择聚类最优 k 值策略，着重实现复杂数据环境下的聚类精度与计算效率之间的平衡。此外，本文介绍了针对文本和图像数据的聚类技术改进，为更好的计算性能和聚类有效性提供见解。该方法基于压缩丝绸 (Condensed Silhouette) 方法，结合统计方法如局部结构 (Local Structures)、间隙统计 (Gap Statistics)、类别一致性比 (Class Consistency Ratio) 以及基于 CCR 和 COI 的聚类重叠指数算法，用于计算 K 均值聚类的最佳 k 值。通过对比实验结果表明，所提出的方法在高维数据集上实现了最高可达 99% 的执行时间提升，同时保持精度和可扩展性，非常适用于实时聚类需求或资源受限的高效聚类场景。
引用
@article{arxiv.2507.08311,
title = {CAS Condensed and Accelerated Silhouette: An Efficient Method for Determining the Optimal K in K-Means Clustering},
author = {Krishnendu Das and Sumit Gupta and Awadhesh Kumar},
journal= {arXiv preprint arXiv:2507.08311},
year = {2025}
}