Il prossimoProssima guida
Raggruppamento dei turni medi
Tecnico
GUIDA AI FONDAMENTALI
K-Means è un algoritmo non supervisionato che ordina automaticamente i dati in gruppi K trovando i centri dei cluster.
Ascolta questa guidaNarrato dall'IA · ~2 min
È importante perché rivela la struttura nascosta nei dati senza etichetta, dai segmenti di clienti ai colori delle immagini.
K-Means suddivide i dati in un numero scelto di cluster, K, senza etichette. Si inizia posizionando K punti chiamati centroidi, spesso in modo casuale. Quindi ripete due passaggi: assegna ogni punto dati al baricentro più vicino e sposta ciascun baricentro nella posizione media dei punti ad esso assegnati. Questi passaggi si ripetono finché le assegnazioni non smettono di cambiare, il che significa che l'algoritmo è convergente. L'obiettivo è ridurre al minimo la varianza all'interno del cluster, la distanza quadrata totale tra i punti e il loro baricentro. Poiché i risultati dipendono dalle posizioni iniziali, l'inizializzazione intelligente come K-Means++ distribuisce i centroidi iniziali. È necessario scegliere K in anticipo, spesso guidati dal "metodo del gomito" sulla curva di errore.
Segmentazione della clientela: raggruppamento degli acquirenti in base alla spesa e alla frequenza di visita per mirare alle campagne di marketing.
Compressione del colore dell'immagine: riduzione di milioni di colori pixel a K tonalità rappresentative per ridurre le dimensioni del file.
Organizzazione dei documenti: raggruppamento di articoli di notizie o ticket di supporto per argomento senza categorie predefinite.
Rilevamento anomalie: segnalazione di punti lontani da qualsiasi centro cluster come potenziali frodi o guasti ai sensori.
K-Means rimane un cavallo di battaglia perché è veloce e si adatta a enormi set di dati tramite versioni mini-batch che aggiornano i centroidi su piccoli campioni. Continua la ricerca sulla selezione automatica di K, sull'inizializzazione più intelligente e sulle varianti del kernel o di deep learning che gestiscono cluster non sferici. Viene sempre più utilizzato come fase di preelaborazione, comprimendo dati o generando funzionalità prima di alimentare modelli più complessi e all'interno di database vettoriali per accelerare la ricerca di similarità rispetto agli incorporamenti.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
K-Means è un algoritmo non supervisionato che ordina automaticamente i dati in gruppi K trovando i centri dei cluster. È importante perché rivela la struttura nascosta nei dati senza etichetta, dai segmenti di clienti ai colori delle immagini.
K è il numero di cluster specificati dall'utente prima di eseguire l'algoritmo; il metodo trova quindi tanti centroidi.
Medie K alterna l'assegnazione di ciascun punto al baricentro più vicino e il ricalcolo di ciascun baricentro come media dei punti assegnati.
K-Means riduce al minimo l'inerzia, la distanza quadrata totale tra i punti e il baricentro assegnato, rendendo i cluster stretti.
Non supervisionato significa che i dati non hanno etichette; K-Means trova la struttura da solo senza che gli vengano indicati i gruppi corretti.
Il metodo del gomito traccia l'errore rispetto a K e cerca la curva in cui l'aggiunta di più cluster smette di essere di grande aiuto.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Raggruppamento dei turni medi
Tecnico