22、聚类算法的应用与探索

聚类算法的应用与探索

1. K-Means聚类的评估与局限性

在分析不同 k 值的轮廓图时，垂直虚线代表每个簇数量对应的轮廓分数。若一个簇中大部分实例的系数低于该分数（即很多实例未达到虚线，位于虚线左侧），则该簇的效果较差，意味着这些实例与其他簇过于接近。当 k = 3 和 k = 6 时，会得到较差的簇；而当 k = 4 或 k = 5 时，簇的效果较好，多数实例超出虚线，更接近1.0。当 k = 4 时，索引为1的簇（从上往下数第三个）较大；当 k = 5 时，所有簇的大小相似。尽管 k = 4 的整体轮廓分数略高于 k = 5 ，但使用 k = 5 能得到大小相似的簇，是个不错的选择。

K-Means算法虽有快速和可扩展等优点，但也存在不足。为避免次优解，需多次运行该算法，且要指定簇的数量，这较为麻烦。此外，当簇的大小、密度不同或形状非球形时，K-Means的表现不佳。例如，对于包含三个不同维度、密度和方向的椭球簇的数据集，K-Means无法正确聚类。在这种情况下，高斯混合模型表现出色。

在运行K-Means之前，对输入特征进行缩放很重要，否则簇可能会被拉伸，K-Means的性能会变差。虽然缩放特征不能保证所有簇都呈完美的球形，但通常能改善聚类效果。

2. 聚类在图像分割中的应用

图像分割是将图像划分为多个部分的任务。语义分割中，属于同