СледваСледващо ръководство
Средно изместване на групи
технически
РЪКОВОДСТВО по основи
K-означава групиране
K-Means е неконтролиран алгоритъм, който автоматично сортира данните в K групи чрез намиране на центрове на клъстери.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
It matters because it reveals hidden structure in unlabeled data, from customer segments to image colors.
Дълбоко гмуркане
K-Means разделя данните в избран брой клъстери, K, без никакви етикети. Започва с поставяне на K точки, наречени центроиди, често на случаен принцип. След това повтаря две стъпки: присвоява всяка точка от данни на най-близкия й центроид и премества всеки центроид до средната позиция на присвоените му точки. Тези стъпки се повтарят, докато заданията спрат да се променят, което означава, че алгоритъмът се е сближил. Целта е да се минимизира дисперсията в клъстера, общото квадратно разстояние между точките и техния център. Тъй като резултатите зависят от началните позиции, интелигентната инициализация като K-Means++ раздалечава началните центроиди. Трябва да изберете K предварително, като често се ръководите от „метода на лакътя“ на кривата на грешката.
Внедряване в реалния свят
Сегментиране на клиенти: групиране на купувачи по разходи и честота на посещения за насочване на маркетингови кампании.
Компресиране на цвета на изображението: намаляване на милиони пикселни цветове до K представителни нюанса, за да се намали размерът на файла.
Организация на документи: групиране на новинарски статии или билети за поддръжка по теми без предварително дефинирани категории.
Откриване на аномалии: маркиране на точки далеч от който и да е клъстерен център като потенциална измама или грешка на сензора.
Бъдещето на групирането на K-Means
K-Means остава работен кон, защото е бърз и се мащабира до огромни набори от данни чрез мини-партидни версии, които актуализират центроидите на малки извадки. Продължават изследванията за автоматичен избор на K, по-интелигентна инициализация и варианти на ядро или дълбоко обучение, които обработват несферични клъстери. Той все повече се използва като стъпка на предварителна обработка, компресиране на данни или генериране на характеристики преди захранване на по-сложни модели и във векторни бази данни за ускоряване на търсенето на сходство при вграждане.
Прилагайки го на практика
Защо има значение
- По-ясни решения. Помага ви да отделите ясните технически твърдения от маркетинговия език.
- Разходи и бюджет. Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
- Екип и работен процес. Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Внимавайте за
- Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
- Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
- Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Следващи стъпки
- Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
- Изберете един показател за успех и едно условие за неуспех преди тестване.
- Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
- Документирайте къде K-Means Clustering помага и къде по-простите методи са по-добри.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the K-Means Clustering quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
What is K-Means Clustering?
K-Means е неконтролиран алгоритъм, който автоматично сортира данните в K групи чрез намиране на центрове на клъстери. Има значение, защото разкрива скрита структура в немаркирани данни, от клиентски сегменти до цветове на изображението.
Какво означава „K“ в K-Means?
K е броят на клъстерите, които потребителят определя, преди да изпълни алгоритъма; методът след това намира толкова много центроиди.
Кои са двете повтарящи се стъпки в цикъла K-Means?
K-Means редува присвояването на всяка точка на най-близкия й центроид и повторното изчисляване на всеки центроид като средна стойност на присвоените му точки.
Какво количество се опитва да минимизира K-Means?
K-Means минимизира инерцията, общото квадратно разстояние между точките и присвоения им центроид, което прави клъстерите стегнати.
Защо K-Means се нарича „неконтролиран“ алгоритъм?
Неконтролиран означава, че данните нямат етикети; K-Means намира структура сама, без да му се казват правилните групи.
За какво обикновено се използва „методът на лакътя“?
Методът на коляното изобразява грешката спрямо K и търси завоя, където добавянето на повече клъстери спира да помага много.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема