k-means-u* 算法：非局部跳跃与贪婪重试改进 k-means++ 聚类
机器学习
2017-07-18 v2
摘要
我们提出一种称为 k-means-u* 的新聚类算法，其在许多情况下能够显著改进由 k-means++（当前欧几里得空间聚类的实际标准）发现的聚类结果。首先我们介绍 k-means-u 算法，其从 k-means++ 的结果出发，并尝试通过一系列非局部“跳跃”与标准 k-means 运行交替来改进它。每次跳跃将“最无用”的中心移向具有最大局部误差的中心，并偏移一个小的随机向量。只要误差减小就继续，这常导致改进的解。偶尔 k-means-u 会在存在明显剩余优化可能时终止。通过允许对最后一次跳跃进行有限次数的重试，常有可能达到更好的局部极小值。所得算法称为 k-means-u*，并且在解质量上主导 k-means++，这通过使用各种数据集的经验得以证明。根据构造，为 k-means++ 建立的对数质量界对 k-means-u* 同样成立。
引用
@article{arxiv.1706.09059,
title = {The k-means-u* algorithm: non-local jumps and greedy retries improve k-means++ clustering},
author = {Bernd Fritzke},
journal= {arXiv preprint arXiv:1706.09059},
year = {2017}
}
备注
submitted to JMLR (38 pages, 36 figures, 4 algorithms)