データマイニングにおけるK-Meansアルゴリズムの追加の問題は何ですか？

K-Meansアルゴリズムには、次のようなさまざまな問題があります-

空のクラスターの処理 −前述の基本的なK-meansアルゴリズムの最初の問題は、割り当てフェーズ中にクラスターにポイントが割り当てられていない場合、ヌルクラスターを取得できることです。これが発生した場合、二乗誤差が必要以上に大きくなるため、置換重心を選択する方法が必要です。

1つの方法は、最近の図心から最も遠い点を選択することです。これにより、現在、合計二乗誤差の原因となっているポイントが削除されます。もう1つの方法は、SSEが最大のクラスターから置換重心を選択することです。これにより、通常、クラスターが分割され、クラスタリングの完全なSSEが減少します。複数のヌルクラスターがある場合、このプロセスを複数回繰り返すことができます。

外れ値 −二乗誤差法を使用すると、外れ値が検出されたクラスターに過度に影響を与える可能性があります。具体的には、外れ値が存在する場合、結果として得られるクラスター重心（プロトタイプ）は、可能な限り代表的ではないため、SSEも高くなります。

外れ値を見つけて、事前に削除しておくと便利です。外れ値を削除してはならない特定のクラスタリングアプリケーションがあることを理解することが重要です。データ圧縮にクラスタリングを使用する場合は、各ポイントをクラスター化する必要があります。財務分析など、場合によっては、異常値の可能性のある外れ値、たとえば、異常に収益性の高いユーザーが興味深いポイントになる可能性があります。

後処理によるSSEの削減 − SSEを減らす方法は、より多くのクラスターを見つけることです。つまり、より大きなKが必要です。このような場合、SSEは改善される可能性がありますが、クラスターの数を増やす必要はありません。これが可能なのは、Kmeansが一般に極小値に収束するためです。

結果のクラスターを「修正」して、SSEが低いクラスタリングを作成するには、さまざまな方法が使用されます。完全なSSEは、すべてのクラスターによって提供されるSSEの合計であるため、この方法は個々のクラスターをターゲットにすることです。クラスターの分割やマージなど、クラスターにいくつかの操作を実装することで、SSE全体を変更できます。

1つの方法は、別のクラスター分割およびマージ手順を使用することです。分割手順ではクラスターが分割され、マージ手順ではクラスターが結合されます。この方法では、ローカルSSE最小値を撤回し、捕捉されたクラスター数を使用してクラスタリングソリューションを作成するためにアクセスできます。以下は、分割およびマージフェーズで使用されるいくつかの方法です。-