在径向基函数网络(RBF 网络)中,选择隐藏层中的所有原型(prototype)(RBF 函数的中心向量)。此步骤可以通过多种方式执行:
- 可以从一组示例中随机抽取中心。
- 或者,可以使用 k 均值聚类来确定它们。
智能选择原型(prototype)的方法之一是在我们的训练集上执行 k 均值聚类并使用聚类中心作为原型(prototype)。 我们都知道,k 均值聚类的特点是简单(速度快),但不太准确。
这就是为什么我想知道比 k 均值聚类更准确的其他方法是什么?
任何帮助将不胜感激。
最佳答案
存在多种 k-means 变体:k-中位数、围绕中心点分区、模糊 C-均值聚类、使用期望最大化算法训练的高斯混合模型、k-means++ 等。
我使用 PAM(围绕 Medoid 进行分区),以便在我的数据集包含一些“异常值”(其值与其他值非常不同的噪声)时更加准确,并且我不希望中心受到以下因素的影响这个数据。对于 PAM,中心称为 Medoid。
关于machine-learning - 比 k 均值聚类更准确的方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/22224003/