K均值聚类——如何提高聚类的性能

K均值聚类——如何提高聚类的性能

    我们已经知道如何使用K-means实现无监督聚类。但是其中有一个参数需要认为设置，就是k。那么这就带来一个为了替：如何设定k值才能使得聚类的性能达到最好呢？

    我们有一个衡量聚类性能的指标SSE(sum of square error)， 即误差平方和。SSE值越小，表示数据点越接近于它们的质心，聚类效果越好。一种降低SSE的方法是增加k的个数，但是这个违背了我们聚类的本意。

    现在，我们提供两种较好的解决思路：

1. 将具有最大SSE值的簇分成两个簇。也就是说，首先将最大簇包含的点过滤出来，并在这些点上运行K=2的K-means聚类算法。然后，我们把SSE最小的两个簇合并，这样就可以保持簇总数的不变；

2. 二分K-均值算法。该算法首先将所有点作为一个簇，将该簇一分为二。之后选择其中一个簇继续进行划分，选择哪一个簇取决于对其划分是否可以最大程度降低SSE值。上述基于SSE的划分过程不断重复，直到得到用户指定的簇数目为止。该算法可以很好地克服K-均值算法收敛于局部最小值的问题，而该算法能够收敛到全局最小值。