K-均值：实际情况下有多少次迭代？

我没有数据挖掘或大数据方面的行业经验，所以很高兴听到您分享一些经验。

人们实际上在一个非常大的数据集上运行k-means，PAM，CLARA等吗？还是他们只是从中随机抽取一个样本？如果他们只是对数据集进行抽样，如果数据集不是正态分布的，结果是否可靠？

在实际情况下，运行这些算法时，我们能否说出收敛之前通常需要进行多少次迭代？还是迭代次数总是随数据大小而增长？

我之所以这样问，是因为我正在考虑开发一种在收敛之前终止迭代算法的方法，但是结果仍然可以接受。我认为值得尝试的是，如果迭代次数大于1,000，则可以节省一些计算成本和时间。你怎么看？

clustering data-mining k-means convergence large-data

— 富
source

number of iterations always grow with the data size不必要。

— ttnphns

存在各种准则来停止K均值中的迭代。有趣的是，将迭代次数设置为固定值（例如10或20）只是一种合理的方法。K-means专用于快速方法，因此，如果您希望在每次迭代后检查收敛准则，则该准则必须易于计算。

— ttnphns

有没有“科学”的方法来确定要执行的最大迭代次数？

— foo

您的最后评论是一个很好的问题。老实说，我不知道。也许其他人会回答。

— ttnphns

K-均值很便宜。您可以承受多次迭代运行的费用。
有不好的算法（标准算法）和好的算法。对于好的算法，后期迭代的成本通常不到第一次迭代的1％。
确实有很慢的实现。不要使用它们。
“大”数据的K均值不存在。因为它仅适用于低维矢量数据。这样的数据将不会超出现代服务器的内存。是的，存在更大的数据-但是您不能对一个月的Twitter数据使用k-means，因为它不会给您任何有用的信息。

通过良好的实现，在现代服务器上，您可以找到最大的数据集，其中k均值仍然可以提供有用的结果，可能需要不到1分钟的时间进行计算，直到收敛为止。那么，为什么还要考虑一个迭代限制呢？

— 有QUIT--Anony-Mousse
source

同意。在本文中（通过分级检索的可伸缩K均值），作者指出，在所有实际情况下，即使在测试的高维数据集上，K均值在20-50次迭代后也会收敛。因此，除了K均值之外，您是否知道有任何算法需要大量迭代才能收敛？

— foo

也许训练一个SVM？我认为这是迭代的，试图找到最佳（和最小，因为预测取决于此！）支持向量集。

— 已退出–Anony-Mousse's

在高维数据集上运行k-means的明显解决方案是先运行PCA或其他降维方法，然后运行k-means

— nico