4、增强型K-Means：自动k值估计与离群点检测

增强型K-Means：自动k值估计与离群点检测

1. 相关工作概述

在聚类算法的研究中，K-Means算法是一种经典且常用的方法，但它也存在一些显著的缺点，如随机初始化质心导致效率低下、难以确定最佳的聚类数k以及对离群点敏感等问题。许多研究者针对这些问题提出了不同的改进方法：
- 基于粒子群优化的初始化 ：有研究者提出利用粒子群优化（PSO）算法初始化K-Means的质心，将迭代次数减少了约六倍，使聚类收敛更快且更准确。
- 结合DBSCAN和K-Means ：通过结合DBSCAN和K-Means算法，解决了两者的缺点。先使用DBSCAN将数据集聚类成m组，再根据输入的k值进行K-Means聚类，避免了DBSCAN聚类可能重叠的问题。
- K值选择技术研究 ：对Elbow Method、Gap Statistic、Silhouette Coefficient和Canopy K值选择方法进行了研究和实验验证，通过实验结果比较来确定最佳的K值。
- “分而治之”策略 ：为了解决传统K-Means中初始质心定位和数据项分配的问题，提出了“分而治之”策略，先获取聚类中心，再进行K-Means以得到最优的聚类中心，提高了执行速度并降低了复杂度。
- 改进DBSCAN算法 ：在DBSCAN聚类中引入统计显著性，使用空间扫描统计和基线蒙特卡罗方法，以及Dual-Convergence算法来加速计算，消除了随机模式，提高了算法效率。
- 结合K-Means和Elbow方法