考虑关注模拟数据。
x1 <- c(rnorm(500000,5),rnorm(500000),rnorm(500000,5),rnorm(500000,15))
y1 <- c(rnorm(500000,5),rnorm(500000),rnorm(500000,15),rnorm(500000,5))
label <- rep(c("c1","c2","c3","c4"), each = 500000)
dset = data.frame(x1,y1,label)
with(dset,plot(x1,y1,col = label))
所以有4个集群，我想使用K均值算法。一般说使用20 - 25'nstart'是合适的。但它对大样本有何影响？这里我的样本量是2百万。那么，有没有办法为大样本决定'nstart'？
这是我起诉的代码。请注意，我想对我的代码使用一些并行处理，这样我就可以使用4个内核来完成工作。
parLapply( cl, c(25,25,25,25), fun=kmeans( x=dset[,c(1,2), centers=4, nstart=i ) )
答案 0 :(得分：1)
n_start不一定取决于样本数量。
您将拥有一个单运行的数据集，可以可靠地找到使用k-means可以获得的最佳聚类。
在其他数据集上，没有一个是好的，因为k-means根本不适用于数据。
我宁愿做以下事情：少量运行k-means。如果你得到非常相似的结果，一旦你看到更好的结果，使用你已经拥有的最好的结果。如果结果非常不同，则k-means不起作用，您可以停下来做其他事情。