如何将KMEANS算法应用于从PSO算法中指定的确定的聚类位置？

Question

如何将KMEANS算法应用于已确定的PSO算法指定的簇位置？

Answer 1

只是做它。

K-means允许您指定初始质心。

Answer 2

没有任何关于您正在处理的数据性质的信息（数字如果维度，数据类型，离群值，重叠等），则无法给出具体的答案。

我不知道任何正版 k-means实现，您可以传入算法用于初始化k均值质心的质心列表。通常这些都是随机选择的。 （不能你写自己的实现，这是否初始化K-均值？简单采取一个开放源码的implementaion并添加参数）

然而，在Python sklearn implementation of kmeans，有kmeans++实施，其中您可以将初始中心作为数组传递。

init : {‘k-means++’, ‘random’ or an ndarray} 

    Method for initialization, defaults to ‘k-means++’: 

    ‘k-means++’ : selects initial cluster centers for k-mean clustering 
    in a smart way to speed up convergence. 
    ... 
    If an ndarray is passed, it should be of shape 
    (n_clusters, n_features) and gives the initial centers. 

虽然没有使用它。

我写这个，我想起前/抬头k均值++：

这是一种穷人的做法：

您可以运行具有k参数等于长的k均值PSO算法列表/阵列（无论它做了什么）给了你。

然后kmeans会很快找到它自己的质心。做几次，也许用不同的距离度量（欧几里得，曼哈顿，最短，最长，平均......）和不同种子的随机数发生器。之后，每次都将k均值质心的坐标与PSO质心的坐标进行比较。

当在附近有1：1的对应关系（取决于您的要求），您找到了一个匹配项。然后用你的k-means分类结果列表做一些事情。