AIM-K-means与K-means在高质量簇生成中的性能分析
机器学习
2009-12-22 v1
摘要
在所有基于划分的聚类算法中，K-means是最流行且最著名的方法。即使在相当大的数据集上，它通常也表现出令人印象深刻的结果。K-means的计算复杂度不受数据集大小的影响。执行此聚类的主要缺点在于初始均值的选择。如果用户对数据集没有足够的了解，可能会导致错误的结果。算法自动初始化均值（AIM）是K-means的扩展，旨在解决初始均值生成的问题。本文尝试通过实现来比较这两种算法的性能。
引用
@article{arxiv.0912.3983,
title = {Performance Analysis of AIM-K-means & K-means in Quality Cluster Generation},
author = {Samarjeet Borah and Mrinal Kanti Ghose},
journal= {arXiv preprint arXiv:0912.3983},
year = {2009}
}