Алгоритм k-means: всесторонний обзор и оценка производительности

Алгоритм кластеризации k-means считается одним из наиболее мощных и популярных алгоритмов интеллектуального анализа данных в научном сообществе. Однако, несмотря на свою популярность, алгоритм имеет определённые ограничения, включая проблемы, связанные со случайной инициализацией центроидов, что может приводить к непредсказуемой сходимости. Кроме того, алгоритм требует заранее задать число кластеров, что влияет на форму кластеров и чувствительность к выбросам. Фундаментальная проблема k-means — неспособность работать с различными типами данных. В статье представлен структурированный и синоптический обзор исследований, направленных на преодоление этих недостатков. Обсуждаются варианты k-means, включая недавние разработки, и их эффективность исследуется посредством экспериментального анализа на разнообразных наборах данных. Детальный экспериментальный анализ вместе с тщательным сравнением различных алгоритмов кластеризации k-means отличает нашу работу от других существующих обзорных статей. Кроме того, в статье даётся ясное и всестороннее понимание k-means и его различных направлений исследований.