现在碰到一个烦心的问题，K-means clustering 是对初值（随机指定的K个中心点）敏感的，为了避免陷入局部最优解必须要多次重复。对于一个m行n列的矩阵，按行进行聚类，以行A,B, C为例子，第一次也许AB聚成一类，第二次也许AC聚成一类，重复100次后如何得到最有代表性的聚类？这里一个具体的困难是，用K-means clustering 算法包算出的聚类结果，即是对每行的标签（如果K＝4，标签为1，2，3，4）是随机的，也就是说第一次AB类的标签也许是1，第二次则可能是3。
The reproducibility of K-means clustering for high dimensional data
可以改成不随机，比如第二个初值选离第一个最远的
btw，个人看法clustering就是个数据探索工具，看看即可不比当真，而且高维数据做clustering容易失效，用层次聚类看看，是不是没有明显的聚类
回复 第2楼 的 windwail：初值自己是无法给定的，好像。关于对聚类的看法，我认为很有道理，也许H-clustering 值得看看。谢了！
我一直有个对聚类结果再聚类的想法，源于你描述的这种聚类不稳定的情况，就是多次聚类，收集每次的结果，看两条样本是否经常被归为同一类，越经常被归为同一类，则距离越近。至于类的标签是什么无所谓。不知道这个想法是否有点谱。
那聚类数还不好确定呢。。。
我觉得kmeans聚类是个相当不靠谱的事情，算法演示上都是拿2维数据来做，效果挺好看的，高维数据鬼知道到底聚出了咋样的类
而且高维数据本身就不见得能聚在一起
回复 第4楼 的 谢益辉：这个工作，如果我非要用K-means不可，也就只能用类似你说的这个思路了。
回复 第5楼 的 windwail：Yes, it is really tricky[s:15]