在某些数据集上改进 K 均值
Improving K Means on some data sets
任何人都知道如何调整简单的 K 均值算法来处理 this form 的数据集。
此问题的一个可能解决方案是向您的数据集添加另一个维度，为此在两个维度之间进行拆分 类。
显然这在很多情况下并不适用，但如果您对数据应用了某种降维，那么它可能值得研究。
在仍然使用 k-means 的同时处理该形式数据的最直接方法是使用内核化版本的 k-means。 JSAT 库中存在它的 2 个实现（参见此处 https://github.com/EdwardRaff/JSAT/blob/67fe66db3955da9f4192bb8f7823d2aa6662fc6f/JSAT/src/jsat/clustering/kmeans/ElkanKernelKMeans.java）
正如 Nicholas 所说，另一种选择是创建一个新特征 space，您可以在该特征上 运行 k-means。然而，这需要一些关于您将要聚类的数据类型的先验知识。
在那之后，你真的只需要转向不同的算法。 k-means 是一种简单的算法，它对世界做出简单的假设，当这些假设被严重违反时（非线性可分簇是这些假设之一），那么你只需要接受它并选择一个更合适的算法。
任何人都知道如何调整简单的 K 均值算法来处理 this form 的数据集。
此问题的一个可能解决方案是向您的数据集添加另一个维度，为此在两个维度之间进行拆分 类。
显然这在很多情况下并不适用，但如果您对数据应用了某种降维，那么它可能值得研究。
在仍然使用 k-means 的同时处理该形式数据的最直接方法是使用内核化版本的 k-means。 JSAT 库中存在它的 2 个实现（参见此处 https://github.com/EdwardRaff/JSAT/blob/67fe66db3955da9f4192bb8f7823d2aa6662fc6f/JSAT/src/jsat/clustering/kmeans/ElkanKernelKMeans.java）
正如 Nicholas 所说，另一种选择是创建一个新特征 space，您可以在该特征上 运行 k-means。然而，这需要一些关于您将要聚类的数据类型的先验知识。
在那之后，你真的只需要转向不同的算法。 k-means 是一种简单的算法，它对世界做出简单的假设，当这些假设被严重违反时（非线性可分簇是这些假设之一），那么你只需要接受它并选择一个更合适的算法。