人工智能

KMeans算法的主要缺点有：

1）需要人工预先确定初始K值，且该值和真实的数据不一定能够吻合。

2）K均值只能收敛到局部最优，效果受到初始值的影响很大。

3）容易受到噪声的影响。

4）样本只能被划分到单一的类簇中。

Kmeans算法改进模型主要有Kmeans++和ISODATA算法

Kmeans++的主要是对K的选取进行优化， 假设已经选取了n个初始聚类中心，则在选取第n+1个聚类中心时，距离当前n个聚类中心越远的点会有更高的概率会被选为第n+1个聚类中心。在选取第一个聚类中心时同样通过随机的方法。当选择完初始点后，Kmeans++后续的计算都和经典的Kmeans算法相同，这也是对初始值选择进行改进的方法的共同点。

当K值的大小不确定时，可以使用ISODATA算法。ISODATA算法的全称是迭代自组织数据分析法。在Kmeans算法中，聚类个数K的值需要预先人为的确定，并在整个过程中无法更改。而当遇到高纬度、海量的数据集时，人们往往很难准确的估计出K的大小，ISODATA算法针对这个问题进行了改进，它的思想也很直观，当属于某个类别的样本数过少时，就把该类别踢掉；当属于某个类别的样本数过多、分散程度较大时，就把该类分成两个子类。ISODATA算法在Kmeans算法的基础上增加了两个操作，一个是分裂操作，对应着增加聚类中心数，二是合并操作，对应着减少聚类中心数。ISODATA虽然对Kmeans算法进行了优化，但它也有缺点，就是需要确定以下这些参数：

a 预期的聚类中心数K，在ISODATA运行过程中聚类中心可以变化，K是一个用户制定的参考值，该算法在聚类中心数目变动范围也由其决定。一般情况下，最终输出的聚类中心数据常见范围是从K的一半到两倍K。

b 每个类所要求的最少样本数目N，如果分裂后悔导致某个子类别所包含样本数目小于阈值，就不会对该类别进行分裂操作。

c 最大方差S，用于控制某个类别中样本的分散程度，当样本的分散程度超过这个阈值，分裂后满足a，进行分裂操作。

d 两个聚类中心之间所允许最小距离D，如果两个类靠的非常近，小于该阈值时，则对两个类进行合并操作。