k-sums：k-means 的另一方面
机器学习
2020-05-20 v1 机器学习
摘要
本文重新审视了已有数十年历史的聚类方法 k-means。k-means 原始的畸变最小化模型通过一种纯随机最小化过程来处理。在迭代的每一步中，尝试将一个样本从一个簇重新分配到另一个簇。只要该重新分配使样本更靠近新质心，就将其移至另一簇。该优化过程比 k-means 及其许多变体更快收敛到更好的局部极小值。对 k-means 循环的这一根本性修改导致重新定义了一系列 k-means 变体。此外，提出了一种最小化簇内成对距离之和的新目标函数。我们表明它可在同一随机优化过程下求解。基于两个最小化模型构建的该最小化过程在不同设置和不同数据集上显著优于 k-means 及其变体。
引用
@article{arxiv.2005.09485,
title = {k-sums: another side of k-means},
author = {Wan-Lei Zhao and Run-Qing Chen and Hui Ye and Chong-Wah Ngo},
journal= {arXiv preprint arXiv:2005.09485},
year = {2020}
}