K-均值算法的敏感性主要源于其采用了迭代更新的方式来寻找最终的聚类中心,而初始质心位置的不同会导致不同的迭代路径,进而影响最终的聚类结果。此外,数据分布的不对称性也可能导致某些聚类中心比其他聚类中心更容易被吸引过去,从而影响聚类结果。
为解决这个问题,可以采用多次运行算法并取平均值的方法来降低初始质心位置的影响,或者采用更优秀的初始质心选择策略以提高算法的稳定性和鲁棒性。同时,还可以采用其他更高级的聚类算法来取代K-均值算法,例如DBSCAN算法、层次聚类算法等,这些算法相对于K-均值算法更加稳健,对初始质心位置的选择不太敏感。