待验证50% 置信事实精确时间

K-means的核心目标是最小化簇内平方误差和（WCSS），通过迭代更新簇中心来完成聚类

1

来源数

50%

置信度

长期有效

时效性

2026/7/11

首次发现

来源

K-means vs 随机森林：如何从根本上判断算法选型？

redditr/learnmachinelearning2026/7/10

相关事实

待验证RAG调优中Top K（返回最相关的K个片段）和相似度阈值是最常需要调整的两个参数65% 相似待验证Top-K的K值存在经典权衡：K太小会漏掉关键信息，K太大会引入噪声导致大模型答案跑偏64% 相似待验证K-quant 系列引入了分块量化策略，对权重矩阵中不同的 block 使用不同的缩放参数以减少量化误差63% 相似待验证IVF算法通过K-means聚类将向量空间分区，检索时只扫描最近的若干分区，以牺牲少量精度换取更低的内存占用61% 相似待验证Top-K路由中K值的选择影响计算效率与表现能力之间的权衡，K越小推理越快但可能损失表达能力，实践中K通常取1或259% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/480312

API

curl https://kongchang.com/api/v1/knowledge/claims/480312

MCP

get_claim(id=480312)