使用Mahout的K均值聚类

Question

我使用给定这里的聚类技术对大型数据集进行聚类，这在Mahout示例中给出。然而，当我可视化特定的集群时，我得到了下面的图。

​

​

我真的很难理解这意味着什么，我有几个问题。

1. 所有的彩色线条都表明了什么？
2. 这么多星系团意味着什么？
3. 为什么很少有区域拥挤，为什么其他区域不拥挤？
4. 为什么很少有彩色线条互相重叠？

Answer 1

K-均值并不是最先进的聚类技术.圆圈作为一种可视化技术是有误导性的，它实际上是将数据空间划分为Voronoi单元(在Wikipedia上查找)。它也更喜欢类似规模的集群。

1. 我假设不同的颜色表示k-均值的不同迭代。它需要几次运行才能优化其结果(通常只达到局部最小值，不同的运行将导致不同的结果)。所以结果还不是很稳定，我想。它们的移动速度很慢，这就是它们不太重叠的原因。
2. 簇数是k-均值的一个参数.它通常被表示为k。k -表示无法确定集群的数量，但如果您使用多个k值运行，则可以测试哪一个结果最适合数据集。
3. 意思是不看密度。你需要一个基于密度的聚类算法。K-表示更喜欢相似大小的星系团。你的"k“可能太高了。
4. 因为它们是迭代更新的，所以不同的迭代不应该有太多的重叠。