采样是降低复杂性的有效方法吗？

Question

我面临的一个问题是，我需要大量的数据来进行聚类。正如我们所知道的，聚类算法可能具有很高的O复杂度，我正在寻找减少算法运行时间的方法。

我想尝试几种不同的方法，如预聚类(冠层聚类)或子空间聚类、相关聚类等。

但是，我还没有听说过一些事情，我想知道为什么--简单地从我的数据集中获取一个有代表性的样本，在它上运行聚类，并将这个模型推广到整个数据集是否可行呢？为什么/为什么这不是一个可行的方法？谢谢!

Answer 1

我会得到一个足够大的随机/有代表性的样本，并对其进行聚类。

要了解这样的示例是什么，您必须获得两个这样的示例，并对它们进行聚类，以获得集群解决方案c1和c2。如果匹配的c1和c2集群具有相同的模型参数，那么您可能有代表性的样本。

您可以通过查看c1和c2如何将绘制的数据分配给集群来匹配集群。

Answer 2

这绝对是可行的，只是有第22条。

为了从您的数据集中获取这个有代表性的样本，您必须从每个集群中取样。但是如果你已经可以从每个集群中抽取样本，你已经知道了，所以你不需要没有监督的学习。