R 硬竞争学习集群（flexclust软件包）无收敛性

我正在将flexclust包中的函数应用于硬竞争学习集群，我在收敛方面遇到了问题

我使用这个算法是因为我在寻找一种方法来执行加权聚类，给变量组赋予不同的权重。我根据对前一个问题的回答（）选择了艰苦竞争学习

我试图找到最佳的集群数量，为此，我使用函数stepFlexclust和以下代码：

new("flexclustControl") ## check the default values

fc_control <- new("flexclustControl")
fc_control@iter.max <- 500 ### 500 iterations
fc_control@verbose <- 1 # this will set the verbose to TRUE
fc_control@tolerance <- 0.01

### I want to give more weight to the first 24 variables of the dataframe
my_weights <-  rep(c(1, 0.064), c(24, 31)) 

set.seed(1908)
hardcl <- stepFlexclust(x=df, k=c(7:20), nrep=100, verbose=TRUE, 
              FUN = cclust, dist = "euclidean", method = "hardcl", weights=my_weights, #Parameters for hard competitive learning
              control = fc_control,
              multicore=TRUE)

new（“flexclustControl”）##检查默认值
fc_control两件事回答了我的问题（以及对kmeans加权变量的评论，或者更确切地说，是对艰苦竞争学习的评论）：


权重用于观察（=x行），而不是变量（=x列）。因此，使用hardcl对变量进行加权是错误的

在hardcl或neural gas中，与标准的k-means相比，您需要更多的迭代：在k-means中，一次迭代使用完整的数据集来改变质心，硬竞争学习，并且只使用一次观察。与k-means相比，将迭代次数乘以样本量