Kmeans++#
术语解释#
Kmeans++ 是一种针对经典 Kmeans 算法在初始化簇中心方式上进行改进的聚类算法。它的核心逻辑是逐一选取 K 个初始簇中心，并确保新选取的中心点离已有中心点尽可能远 。
一言以蔽之，Kmeans++算法仅仅在初始化簇中心的方式上做了改进，其他地方同Kmeans聚类算法一样。将Kmeans++在初始化簇中心时的方法总结成一句话就是： 逐个选取K个簇中心，并且离其他簇中心越远的样本点越有可能被选为下一个簇中心。
关于 Kmeans++ 算法的原理讲解，可以参见 「11.5 Kmeans++原理：聚类中心初始化策略」 内容。
出现动机#
传统的 Kmeans 随机初始化 K 个中心，如果初始点选得不理想（例如多个点落在了同一个簇内），算法极易陷入局部最优解，导致聚类结果错误，如下图所示。
为了避免由于初始化位置不当导致的聚类精度大幅下降或收敛困难，研究人员提出了 Kmeans++ 来提供一种更具“预见性”的初始化策略
优点缺点#
-
优点：
-
显著提升聚类质量：通过让初始簇中心彼此相距较远，它能有效避免多个中心出现在同一个簇中的情况，从而提高找到全局最优解的可能性。
-
收敛更稳定：相较于纯随机初始化，Kmeans++ 选取的“种子”点通常能让后续的迭代过程更加稳健。
-
兼容性强：它仅改进了初始化阶段，后续的分配和更新逻辑与 Kmeans 完全一致，因此可以无缝替代原生 Kmeans 。
-
-
缺点：
-
初始化计算开销增加：由于初始化过程是串行（逐个）选取的，且每选一个点都需要计算所有样本到已有中心的距离，在大规模数据集上初始化的耗时会比随机初始化更长。
-
继承了 Kmeans 的固有缺陷：虽然优化了起点，但它本质上仍是 Kmeans 框架下的算法，因此依然难以处理环形、长条形等非线性分布的异形数据，且对异常值和噪声仍然敏感。
-
参数 K 值仍需预设：它并没有解决如何科学确定聚类数量 K 的难题，通常仍需配合肘部法或轮廓系数法进行判断。
-
相关术语#
- Kmeans聚类算法