如果我有某个数据集，那么使用该数据集的随机样本初始化集群中心有多聪明？
例如，假设我想要5 clusters. 我5 random samples说size=20%的是原始数据集。然后我可以取这 5 个随机样本中的每一个的平均值并将这些平均值用作我的 5 个初始聚类中心吗？我不知道我在哪里读到的，但我想知道你们对这个想法的看法。
更新：请参阅此线程Initializing K-means clustering: what are the existing methods？有关各种初始化方法的一般性讨论。
如果您将样本随机分成 5 个子样本，您的 5 个均值几乎会重合。将如此接近的点作为初始集群中心有什么意义？
在许多 K-means 实现中，初始聚类中心的默认选择是基于相反的想法：找到相距最远的 5 个点并将它们作为初始中心。您可能会问，找到那些相距甚远的点的方法可能是什么？以下是 SPSS 的 K-means 正在为此做的事情：
取数据集中任意k个事例（点）作为初始中心。正在检查所有其余案例是否有能力通过以下条件替代初始中心：
如果条件（a）不满足，则检查条件（b）；如果不满足，则案件不会成为中心。作为这种遍历案例的结果，我们在云中获得了k个最大案例，这些案例成为初始中心。该算法的结果虽然足够稳健，但对“任意k个案例”的起始选择和数据集中案例的排序顺序并非完全不敏感；因此，仍然欢迎进行几次随机启动尝试，就像K-means 一样。
请参阅我的答案以及 k-means 的流行初始化方法列表。拆分成随机子样本的方法（我和其他人在这里批评）以及 SPSS 使用的描述的方法 - 也在列表中。
手段太相似了。您也可以找到数据集的均值，然后将初始质心放置在该均值周围的小圆圈/球体中。
如果您想了解更多关于 k-means 的初始化方案，请查看 k-means++。他们设计了一种非常聪明的方法来播种 k-means。
正如 ttnphns 在他的评论中指出的那样，使用随机样本的方法将为您提供与您所需要的相反的结果。我们需要的是一种找到彼此相距相当远的数据点的方法。
理想情况下，您可以遍历所有点，找到它们之间的距离，确定距离最大的位置......
不要回避 OP 的意图，但我认为“解决方案”内置于 k-means 算法中。我们执行多次迭代并根据之前的迭代重新计算集群质心。我们通常也会多次运行 kmeans 算法（使用随机初始值），然后比较结果。
如果一个人有先验知识、领域知识，那么这可能会导致一种更好的方法来确定初始集群中心应该在哪里。否则，可能需要选择随机数据点作为初始值，然后使用多次运行和每次运行的多次迭代。
提出的答案都是有效的，但比您最初的建议更难实施。一个非常简单的初始化方法是采取随机观察作为原始点。使两个初始点接近的概率非常低，除了最极端的情况外，该算法的执行速度很快。