В чем заключаются недостатки классического алгоритма K-means?

Некоторые недостатки классического алгоритма K-means:

• Чувствительность к начальным условиям. 1 Алгоритм случайным образом инициализирует центроиды кластера, и конечные результаты кластеризации могут варьироваться в зависимости от этих начальных положений. 1 Это делает алгоритм K-means менее надёжным и воспроизводимым. 1
• Трудность в определении количества кластеров. 1 Необходимо устанавливать его заранее, неправильный выбор может привести к неточным результатам. 1 Если значение слишком маленькое, то в одном кластере могут оказаться слишком разные объекты, что ухудшит качество кластеризации. 2 Если значение слишком большое, кластеры могут стать слишком мелкими и специфичными. 2
• Невозможность обработки категориальных данных. 1 Алгоритм работает с числовыми данными, где могут быть вычислены расстояния между точками данных. 1 Категориальные данные не имеют естественного представления о расстоянии или сходстве. 1
• Временная сложность. 1 Даже умеренно большие наборы данных могут быть сложными в обработке, если они многомерны. 1
• Чувствительность к шумам и аномальным значениям в данных. 3 Они способны значительно повлиять на среднее значение, используемое при вычислении положений центров кластеров. 3
• Плохая работа с данными, содержащими сложные формы кластеров. 2 Например, с перекрывающимися или нелинейными кластерами. 2