Ын Анналин, Су Кеннет

48
Глава 2
. 
Кластеризация методом k-средних
трех и более измерений. Этими дополнительными изме-
рениями могут послужить возраст клиента или частота 
посещения. Хотя такое и трудно визуализировать, мы 
можем довериться компьютерным программам, которые 
вычислят за нас многомерные дистанции между элемен-
тами данных и кластерными центрами.
2.4. Ограничения
Хотя кластеризация методом k-средних очень полезна, 
у нее есть ограничения:
Каждый элемент данных может быть связан только 
с одним кластером. Иногда элемент данных находится 
ровно посередине между двух центров, отчего его вклю-
чение в эти кластеры равновероятно.
Предполагается, что кластеры сферичны. Итеративный 
процесс поиска ближайшего кластерного центра для 
элементов данных ограничен его радиусом, поэтому ито-
говый кластер похож на плотную сферу. Это может стать 
проблемой, если фактическая форма кластера, например, 
эллипс. Тогда кластер может быть усечен, а некоторые его 
члены отнесены к другому.
Кластеры предполагаются цельными. Метод k-средних 
не допускает того, чтобы они пересекались или были 
вложены друг в друга.
Вместо принудительного назначения каждого элемента 
данных в единственный кластер можно воспользоваться 

---

2.5. Краткие итоги
49
более гибкими методами группировки, которые вычис-
ляют то, с какой вероятностью каждый элемент данных 
может принадлежать другим кластерам, помогая нам 
находить несферические или пересекающиеся кластеры.
Несмотря на эти ограничения сила кластеризации ме-
тодом k-средних заключается в ее элегантной простоте. 
Хороший подход состоит в том, чтобы начинать с класте-
ризации методом k-средних для изначального понимания 
структуры данных, а затем привлекать более продвину-
тые методы, лишенные его недостатков.