cluster-analysis - 使用 Mahout 的 K 均值聚类

Question

我正在使用给出的聚类技术 here用于聚类大型数据集，在 Mahout 示例中给出。但是，当我可视化特定聚类时，我得到下图。

我真的很难理解这到底意味着什么，并且有几个问题。

1. 所有彩色线条表示什么？
2. 那么多簇是什么意思？
3. 为什么只有少数区域拥挤，而其他区域却不拥挤？
4. 为什么很少有彩色线条相互重叠？

Answer 1

k-means 并不是最先进的聚类技术。圆作为一种可视化技术具有误导性，它实际上将数据空间划分为 Voronoi 单元(在维基百科上查找)。它还更喜欢大小相似的集群。

1. 我假设不同的颜色表示 k-means 的不同迭代。它需要多次运行来优化其结果(通常只会达到局部最小值，不同的运行会产生不同的结果)。所以我猜结果还不是很稳定。它们的移动速度很慢，这就是它们重叠不多的原因。

2. 簇数是 k-means 的一个参数。它通常表示为 k。 k-means 无法确定聚类的数量，但如果您使用多个 k 值运行它，您可以测试哪个结果最适合数据集。

3. k-means 不考虑密度。为此，您需要一个基于密度的聚类算法。 k-means 更喜欢大小相似的集群。您的“k”可能太高了。

4. 由于它们是迭代更新的，因此不同的迭代不应重叠太多。