K-means 聚类是一种机器学习聚类技术，用于将大型数据集简化为更小更简单的数据集。评估不同的模式并将相似的数据集组合在一起。变量 K 表示数据中的组数。本文评估了 K-means 聚类算法的优缺点，以帮助您权衡使用这种聚类技术的好处。
K-Means聚类的优点：
- 简单：很容易实现k-means并从复杂的数据集中识别未知的数据组。结果以简单易行的方式呈现。
- 灵活：K-means算法可以轻松适应变化。如果有任何问题，调整簇段将使算法容易发生变化。
- 适用于大数据集：K-means适用于大量数据集，计算速度比小数据集快得多。它还可以产生更高的簇。
- 高效：采用的算法擅长分割大数据集。它的效率取决于簇的形状。 K-means 在超球形集群中效果很好。
- 时间复杂度：K-means 分割与数据对象的数量呈线性关系，因此增加了执行时间。无需花费更多时间对数据中的相似特征进行分类，例如分层算法。
- 紧密集群：与分层算法相比，k-means 产生更紧密的集群，尤其是球状集群。
- 易于解释：结果易于解释。它以最小化的形式生成集群描述，以便于理解数据。
- 计算成本：与使用其他聚类方法相比，k-means 聚类技术在计算成本 O(Knd) 方面快速有效。
- 准确性：K-means 分析提高了聚类的准确性，并确保有关特定问题域的信息可用。基于此信息的 k-means 算法的修改提高了聚类的准确性。
- 球形簇：这种聚类模式在处理球形簇时效果很好。由于每个集群都是球形的，因此它假设特征的联合分布。所有集群特征或字符具有相同的方差，并且彼此独立。
K-Means聚类的缺点：
- NoNo-最优集群集：K-means 不允许开发最佳集群集，为了获得有效的结果，你应该先决定集群。
- 缺乏一致性：K-means 聚类在算法的不同运行中给出不同的结果。随机选择聚类模式会产生不同的聚类结果，从而导致不一致。
- 均匀效应：即使输入数据大小不同，也会产生大小一致的簇。
- 取值顺序：构建算法时数据的排序方式会影响数据集的最终结果。
- 规模敏感性：通过标准化或标准化更改或重新调整数据集将完全改变最终结果。
- 崩溃计算机：在处理大型数据集时，由于大量的计算负载和Ram限制，进行树状图技术会导致计算机崩溃。
- 处理数值数据：K-means算法只能在数值数据中进行。
- 在假设中运行：K-means 聚类技术假设我们处理球形集群并且每个集群具有相同的观察数量。必须满足球形假设。该算法无法处理异常大小的集群。
- 指定 K 值：要使 K 均值聚类有效，您必须在算法开始时指定聚类数 (K)。
- 预测问题：很难预测 k 值或聚类数。比较生产的簇的质量也很困难。
K-Means聚类的优点和缺点有什么好处？
K-Means聚类的优点和缺点的局限性
K-Means聚类的优点和缺点
K-Means聚类的的好处和坏处
K-Means聚类的的利与弊
K-Means聚类的的优缺点
K-Means聚类的怎么样？
欢迎任何形式的转载，但请务必注明出处，尊重他人劳动成果。
转载请注明：文章转载自 有区别网 [http://www.vsdiffer.com]
本文标题：K-Means聚类的优点和缺点
本文链接：https://www.vsdiffer.com/proscons/pros-and-cons-of-k-means-clustering.html
免责声明：以上内容仅是站长个人看法、理解、学习笔记、总结和研究收藏。不保证其正确性，因使用而带来的风险与本站无关！如本网站内容冒犯了您的权益，请联系站长，邮箱：，我们核实并会尽快处理。