为什么k均值不适用于任意距离
K均值不是基于距离的算法.
K-means最小化了平方内群集内和之和,它是一种方差(它大致是所有群集的加权平均方差,其中每个对象和维的权重均相同).
为了使Lloyds算法收敛,您需要使两个步骤都优化相同的功能:
>重新分配步骤
>重心更新步骤
现在,“均值”函数是最小二乘估计器.即对于WCSS目标,在步骤2中选择均值是最佳的.在步骤1中用最小二乘方差(=平方欧几里德距离,单调到欧几里德距离)分配对象也会产生保证的收敛性.均值恰好是您的环绕式创意会崩溃的地方.
如果您插入@elyase建议的随机其他距离函数,则k-means可能不再收敛.
正确的解决方案
有多种解决方案:
>使用K型医学(PAM).通过选择medoid而不是均值,您可以确保在任意距离下都可以收敛.但是,计算类固醇非常昂贵.
>将数据转换为内核空间,您可以在其中最小化平方和.例如,您可以将小时转换为sin(hour / 12 * pi),cos(hour / 12 * pi),这对于SSQ可能是可以的.
>使用其他基于距离的聚类算法. K-means很老,从那以后,有很多关于聚类的研究.您可能要从分层聚类(它实际上与k-means一样古老)开始,然后尝试DBSCAN及其变体.