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）都是被选择的。这一步骤可以通过多种方式进行：

• 中心可以从一些示例集中随机抽样。
• 或者，可以使用k均值聚类来确定。

智能选择原型的一种方法是在我们的训练集上进行k均值聚类，并使用聚类中心作为原型。我们都知道k均值聚类以其简单性（速度快）为特点，但精确度不高。

这就是为什么我想知道是否有比k均值聚类更精确的其他方法？

任何帮助将不胜感激。

回答：

存在多种k均值变体：k中值、基于中位数的分区、模糊C均值聚类、使用期望最大化算法训练的高斯混合模型、k-means++等。

当我的数据集中包含一些“异常值”（与其他值差异很大的噪声数据）且我不希望中心受这些数据影响时，我使用基于中位数的分区（PAM）来提高精确度。在PAM中，中心被称为中位数。