Matlab - 高斯混合和模糊 C 均值在高维数据（26 维向量图像）上不如 K 均值准确

Matlab - Gaussian mixture and Fuzzy C-means less accurate than K-means on high-dimensional data (image of 26-dimension vectors)

我从本教程 Texture Segmentation Using Gabor Filters 中获取了 matlab 代码。

为了在对 gabor filters 的结果多维 texture 响应上测试 clustering 算法，我应用了 Gaussian Mixture 和 Fuzzy C-means 而不是 K-means 比较他们的结果（所有情况下的簇数 = 2）：

原图：

K 均值聚类：

L = kmeans(X, 2, 'Replicates', 5);

GMM 集群：

options = statset('MaxIter',1000);
gmm = fitgmdist(X, 2, 'Options', options);
L = cluster(gmm, X);

模糊 C 均值：

[centers, U] = fcm(X, 2);
[values indexes] = max(U);

在这种情况下，我发现奇怪的是 K-means 聚类比使用 GMM 和 Fuzzy C-means.

提取的聚类更准确

任何人都可以向我解释一下作为 GMM 和 Fuzzy C-means 分类器是什么导致聚类不太准确？

换句话说，GMM 和 Fuzzy C-means 聚类对数据的维数比 K-means 更敏感？

很高兴评论有用，这是我的回答形式的观察。

这些方法中的每一个都对初始化敏感，但是 k-means 通过使用 5 'Replicates' 和更高质量的初始化（k-means++ 作弊 ).其余方法似乎使用单个随机初始化。

k-means 是 GMM 如果你强制球形协方差。所以从理论上讲，它不应该做得更好（如果真正的协方差实际上是球形的，它可能会做得更好）。

我认为大部分差异都归结为初始化。您应该能够通过使用 k-means 结果作为其他算法的初始条件来对此进行测试。或者正如您所尝试的那样，运行 多次使用不同的随机种子并检查 GMM 和 Fuzzy C-means 中的变化是否比 k-means.

中的变化更多