k-Means的单程种子选择算法

Question

我最近阅读了Single Pass Seed Selection Algorithm for k-Means文章，但并不是真正理解这个算法，它是：

1. 计算距离矩阵Dist，其中Dist (i,j)表示距i到j的距离
2. 查找Sumv，其中Sumv (i)是从i点到所有其他点的距离之和。
3. 找到i点min (Sumv)并设置Index = i
4. 首先将C添加为第一个质心
5. 对于每个点xi，将D (xi)设置为xi与C中最近点之间的距离
6. 将y视为n/k
中Index个最近点的距离总和
7. 找到唯一的整数i，以便D(x1)^2+D(x2)^2+...+D(xi)^2 >= y > D(x1)^2+D(x2)^2+...+D(x(i-1))^2
8. 将xi添加到C
9. 重复步骤5-8直到k居中

特别是第6步，我们是否仍然反复使用相同的Index（同一点），或者我们使用C中新添加的点？关于第8步，i是否必须大于1？

Answer 1

老实说，我不担心理解那篇论文 - 它不是很好。

• 该算法描述不清楚。
• 它实际上不是一次通过，它需要做n ^ 2/2对成对计算+一次额外的数据传递。
• 他们没有报告种子选择方案的运行时间，可能是因为做O（n ^ 2）工作非常糟糕。
• 他们正在评估非常简单的数据集，这些数据集没有很多针对k-Means的不良解决方案。
• 他们的“更好”的指标之一是在给定种子选择的情况下需要多少次迭代才能运行。虽然这是一个有趣的指标，但它们报告的微小差异毫无意义（k-means ++种子可能更多迭代，但每次迭代完成的工作量更少），并且它们不报告运行时间或它们使用的k-means算法。

通过学习和理解他们正在比较的k-means ++算法，并从中读取一些历史记录，您将获得更多好处。

如果你真的想了解他们在做什么，我会刷你的matlab并阅读他们提供的matlab代码。但它并不值得。如果你查看分位数种子选择算法，它们基本上是在做一些非常相似的事情。它们不是使用到第一个种子的距离来对点进行排序，而是使用成对距离的总和（这意味着它们不需要初始种子，因此是唯一的解决方案）。

Answer 2

单程种子选择算法是一种新颖的算法。单通道意味着没有任何迭代，可以选择第一个种子。 k-means ++的表现取决于第一粒种子。它在SPSS中被克服。请通过同一作者的论文“用于k-means的鲁棒种子选择算法”

John J. Louis