Initializing k-means Clustering by Bootstrap and Data Depth

Der k-Mittel-Algorithmus wird in verschiedenen Forschungsbereichen aufgrund seiner schnellen Konvergenz mit den minimalen Kostenfunktionen häufig eingesetzt, bleibt jedoch häufig in lokalen Optima stecken, da er empfindlich gegenüber Ausgangsbedingungen ist. In diesem Aufsatz wird eine einfache, rechnerisch durchführbare Methode untersucht, die k-Mitteln einen Satz anfänglicher Samen bietet, um Datensätze beliebiger Dimensionen zu clustern. Unsere Technik besteht aus zwei Stufen: Erstens verwenden wir den ursprünglichen Datenraum, um eine Reihe von Prototypen (Clusterzentren) zu erhalten, indem wir k-Mittel anwenden, um Replikationen der Daten zu bootstrappen, und zweitens clustern wir den Raum der Zentren, der engere (und daher leichter zu trennende) Gruppen aufweist, und suchen den tiefsten Punkt in jedem zusammengesetzten Cluster mit einer Tiefenvorstellung. Wir testen diese Methode mit simulierten und realen Daten, vergleichen ihn mit häufig verwendeten k-Mittel-Initialisierungsalgorithmen und zeigen, dass er machbar und effizienter ist als frühere Vorschläge in vielen Situationen.