最近爬取搜房网上海新房的2000个小区和行政区,对其小区爬了坐标,去掉一些可见的异常点,结果分布如下,需要原数据的在这,可能会有噪声,只是自己拿来做做实验而已。链接:http://pan.baidu.com/s/1dFOiG5F 密码:cty5
首先尝试了一下K均值,结果如下
在这里K均值的缺点就暴露了,因为是无监督学习,所以仅仅依靠统计距离计算的准确率是不高的。
具体说来,K均值先通过人工选择K个样本作为K个初始均值向量,但是一般的操作是随机选择一些点作为初始聚类中心,而这些聚类中心需要尽可能的远。这便是Kmeans++。计算其他向量与K这个初始向量的距离,考察一遍之后再更新均值向量,迭代直到稳定。因此需要事先人工选择样本和中心个数,意味着需要一定的先验知识。同时K均值又对噪声和样本量比较敏感,比如上面两个图中最上面的样本和右上的样本其实是属于崇明区的,然