执行k表示对数据样本进行聚类

Question

我是一名医学物理学硕士学生，目前正在写论文。该工作包括从内窥镜图像中提取特征并使用支持向量机进行分类。我有4种类型的图像。类型1是非癌症图像，类型2、3和4是癌前图像。我将问题简化为一个两级系统。C1类，输入1图像，C2类所有其他的。

我使用的方法如下:我使用密集SIFT从每个图像中提取特征。因此，我获得的描述符是，假设每个图像为128x1000。所以我在128维空间中有1000个点。每个图像的点数是不同的，但为了简单起见，我们假设每个图像有1000个点。我使用C1类的50幅图像和C2类的50幅图像来划分我的数据集进行训练。

如果我使用100个训练图像，我将得到128x100000的数据。例如，如果我使用400个聚类对此数据执行k-means聚类，这将是一个非常漫长的过程。因此，我想对这些数据进行采样，例如，选择均匀分布的10000个点，这样每幅图像都可以相等地表示。实际上，我在分类过程中获得了相当好的结果，但我怀疑这是否可以做到。

如果我使用所有数据点来计算中心，会有很大的不同吗?或者我可以在计算中采样这些数据吗？对于要使用的部分数据，什么值才是合理的？

Answer 1

首先对样本运行k-means是一种常见的做法。

这将给你一个很好的最终聚类中心的估计，通过使用这些作为完整k均值运行的种子，你可能只需要一次迭代。

K-means有许多问题(维度的诅咒，通常没有意义的结果，选择k)，但可伸缩性不是其中之一。它可以运行得非常快，100k对象应该只需要一分钟，除非你使用的是非常慢的编程语言。