在径向基函数网络（RBF 网络）中，隐藏层中的所有原型（RBF 函数的中心向量）都被选中。此步骤可以通过多种方式执行：
智能选择原型的方法之一是在我们的训练集上执行 k-mean 聚类，并使用聚类中心作为原型。 我们都知道，k-mean 聚类的特点是简单（速度快）但不是很准确。
这就是为什么我想知道比 k-mean 聚类更准确的另一种方法是什么？
任何帮助将不胜感激。
【问题讨论】：
标签： machine-learning neural-network k-means biological-neural-network
存在几种 k-means 变体：k-median、围绕 Medoids 分区、模糊 C-Means 聚类、使用期望最大化算法训练的高斯混合模型、k-means++ 等。
当我的数据集包含一些“异常值”（噪声值与其他值非常不同）并且我不希望中心受到影响时，我使用 PAM（围绕 Medoid 进行分区）以便更准确这个数据。在 PAM 的情况下，中心称为 Medoid。
【讨论】：
有一种更具统计性的聚类分析方法，称为Expectation-Maximization Algorithm。它使用统计分析来确定集群。当您拥有大量关于集群质心和训练数据的数据时，这可能是一种更好的方法。
This 链接还列出了其他几种常见的聚类算法。显然，有些比其他更好，具体取决于您拥有的数据量和/或您拥有的数据类型。
Udacity 有一门很棒的课程，人工智能简介，其中一节课专门介绍无监督学习，Thrun 教授非常详细地解释了一些聚类算法。我强烈推荐这门课程！
希望对你有帮助，
【讨论】：
就 K-Means 而言，您可以在样本上运行它多次（例如 100 次），然后选择具有最小 K-Means 标准输出（总和每个实体与其各自质心之间的平方欧几里得距离）。
您还可以使用一些初始化算法（想到智能 K-Means，但您也可以在 Google 上搜索 K-Means++）。您可以在 AK Jain 的一篇名为 Data clustering: 50 years beyond K-means 的论文中找到对 K-Means 的非常好的评论。
您还可以检查分层方法，例如 Ward 方法。
【讨论】：