Global $k$-means$++$：全局$k$-means聚类算法的有效松弛
机器学习
2023-07-17 v3
摘要
-means算法因其简单、有效与快速而是一种普遍的聚类方法。然而，其主要缺点是对簇中心初始位置的高度敏感性。全局-means是一种为解决k-means随机初始化问题而提出的确定性算法，但众所周知其需要很高的计算代价。它通过对所有逐步求解所有-means子问题将数据划分为个簇。对于每个簇问题，该方法执行次-means算法，其中为数据点数量。本文中，我们提出\emph{global -means\texttt{++}}聚类算法，这是一种以更低计算负载获取类似全局-means质量的聚类解的有效方式。这是通过利用在-means\texttt{++}算法中有效使用的中心选择概率实现的。所提方法已在多个基准数据集上测试与比较，在聚类质量与执行速度方面取得了非常令人满意的结果。
引用
@article{arxiv.2211.12271,
title = {Global $k$-means$++$: an effective relaxation of the global $k$-means clustering algorithm},
author = {Georgios Vardakas and Aristidis Likas},
journal= {arXiv preprint arXiv:2211.12271},
year = {2023}
}