我使用 k-means 算法对文档集进行聚类。
（参数为 - 簇数=8，不同质心的运行次数=10）
文档数为5800
令人惊讶的是聚类的结果是
90% 的文档属于集群 - 7（最终集群） 9% 的文档属于集群 - 0（第一个集群）
其余 6 个集群只有一个样本。这可能是什么原因？
【问题讨论】：
标签： python cluster-analysis k-means
K-means 确实对噪声敏感，但请调查您的数据！ 在应用距离测量之前，您是否对“真实数据”进行了预处理？ 您确定您的距离指标代表您所期望的接近度吗？
有很多可能的“错误”可能导致这种情况.. 不必要的 k-means 错误
【讨论】：
K-means 对噪声非常敏感！
离数据较远的噪声在平方其偏差时变得更加有影响力。这使得 k-means 对此非常敏感。
产生一个数据集，50 个点分布在 N(0;0.1)，50 个点分布在 N(1;0.1) 和 100 处。运行 k-means 与 k=2，你一定会得到一个点一个簇，两个真实的簇合并了。
这正是k-means 假定的工作方式：找到数据的最小二乘量化；它不关心数据集中是否存在“团块”。
现在，如果存在异常值（在这里，您显然至少有 6 个这样的异常值），制作单元素聚类通常可能是有益的（相对于最小二乘目标）。在这种情况下，您可能需要将 k 增加您获得的此类单元素集群的数量。或者使用异常值检测方法，或者像 DBSCAN 这样可以容忍的聚类算法。噪音。
【讨论】：
K-means 聚类尝试最小化每个点与每个点所属的聚类质心之间的距离总和。因此，如果 90% 的点靠得很近，那么这些点与簇质心之间的距离之和就相当小，因此，k-means 求解算法会在此处放置一个质心。单点被放在自己的集群中，因为它们离其他点真的很远，并且这些点与其他点的集群不是最优的。
【讨论】：