Matlab:Kmeans每次给出不同的结果

我在一个400x1000矩阵上运行matlab中的kmeans，出于某种原因，每当我运行该算法时，我都会得到不同的结果。下面是一个代码示例：

[idx, ~, ~, ~] = kmeans(factor_matrix, 10, 'dist','sqeuclidean','replicates',20);

出于某种原因，每次运行此代码都会得到不同的结果？有什么想法吗

我用它来确定多重共线性问题

谢谢你的帮助

如您所读，k-means算法通常是启发式和部分概率的，Matlab中的算法也不例外

---

这意味着算法中存在一定的随机部分（例如，重复使用随机起点来寻找全局解）。这使得

kmeans

输出集群平均质量良好。但是：考虑到算法的伪随机性，每次都会得到稍微不同的集群——这是正常的行为

MATLAB中的k-means实现有一个随机化的部分：初始中心的选择。这会导致不同的结果。实际上，MATLAB会多次运行k-means，并返回失真最低的聚类结果。如果您每次看到的聚类差异很大，这可能意味着您的数据不适合k-means所寻找的聚类类型（球形），这表明您需要尝试其他聚类算法（例如光谱算法）

---

通过将一组初始中心作为函数参数之一传递给确定性行为，可以获得确定性行为。这将每次为您提供相同的输出集群。有几种启发式方法可以选择初始中心集（例如）。

这称为初始化问题，因为kmeans从随机初始点开始对数据进行聚类。matlab选择k个随机点，计算数据中的点到这些位置的距离，并找到新的质心以进一步最小化距离。因此，对于质心位置，您可能会得到不同的结果，但答案是相似的。

挑剔：注意，一般来说，“启发式”和“随机性”是算法的两个不同属性。启发式算法对其决策使用近似（但通常是确定性）评级，而随机算法使用（伪）随机数进行决策。组合当然是可能的。@FlorianBrucker-True。这不是吹毛求疵：）质心不应该总是收敛到同一个星座吗？从理论上讲，K-均值导致相同的质心集。在实践中，是什么使最终结果随机？是否有简单有效的确定性方法来初始化K-均值？最简单但最简单的解决方案是自己选择一些质心。如果你应用一些启发式方法来寻找“好”的质心，你就有了一个确定的k-均值。你可能想读这篇文章，它使用最近邻搜索来建立一个确定的k-均值算法：但是质心应该总是收敛到同一个星座。从理论上讲，K-均值导致相同的质心集。在实践中，是什么让最终结果变得随机？