คู่มือพื้นฐาน
การจัดกลุ่ม K-Means
K-Means เป็นอัลกอริธึมที่ไม่ได้รับการดูแลซึ่งจะจัดเรียงข้อมูลออกเป็นกลุ่ม K โดยอัตโนมัติโดยการค้นหาศูนย์คลัสเตอร์
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
ภาพรวม
It matters because it reveals hidden structure in unlabeled data, from customer segments to image colors.
เจาะลึก
K-Means แบ่งพาร์ติชันข้อมูลออกเป็นคลัสเตอร์ตามจำนวนที่เลือก K โดยไม่มีป้ายกำกับใดๆ เริ่มต้นด้วยการวางจุด K ที่เรียกว่าเซนทรอยด์ ซึ่งมักจะเป็นการสุ่ม จากนั้นจะทำซ้ำสองขั้นตอน: กำหนดจุดข้อมูลทุกจุดให้กับเซนทรอยด์ที่ใกล้ที่สุด และย้ายแต่ละเซนทรอยด์ไปยังตำแหน่งเฉลี่ยของจุดที่กำหนด ขั้นตอนเหล่านี้จะวนซ้ำจนกว่าการมอบหมายงานจะหยุดเปลี่ยนแปลง ซึ่งหมายความว่าอัลกอริทึมได้บรรจบกัน เป้าหมายคือการลดความแปรปรวนภายในคลัสเตอร์ให้เหลือน้อยที่สุด ซึ่งก็คือระยะห่างกำลังสองทั้งหมดระหว่างจุดและเซนทรอยด์ เนื่องจากผลลัพธ์ขึ้นอยู่กับตำแหน่งเริ่มต้น การเริ่มต้นอย่างชาญฉลาด เช่น K-Means++ จะกระจายเซนทรอยด์เริ่มต้นออกจากกัน คุณต้องเลือก K ล่วงหน้า ซึ่งมักจะแนะนำโดย 'วิธีข้อศอก' บนเส้นโค้งค่าคลาดเคลื่อน
การใช้งานจริงในโลกแห่งความเป็นจริง
การแบ่งส่วนลูกค้า: การจัดกลุ่มผู้ซื้อตามการใช้จ่ายและความถี่ในการเยี่ยมชมเพื่อกำหนดเป้าหมายแคมเปญการตลาด
การบีบอัดสีของภาพ: ลดสีนับล้านพิกเซลเป็นเฉดสีตัวแทน K เพื่อลดขนาดไฟล์
การจัดระเบียบเอกสาร: การจัดกลุ่มบทความข่าวหรือตั๋วสนับสนุนตามหัวข้อโดยไม่มีหมวดหมู่ที่กำหนดไว้ล่วงหน้า
การตรวจจับความผิดปกติ: ทำเครื่องหมายจุดที่อยู่ห่างจากศูนย์กลางคลัสเตอร์ใดๆ เนื่องจากการฉ้อโกงที่อาจเกิดขึ้นหรือข้อผิดพลาดของเซ็นเซอร์
อนาคตของการจัดกลุ่ม K-Means
K-Means ยังคงเป็นม้าทำงานเพราะมันรวดเร็วและปรับขนาดเป็นชุดข้อมูลขนาดใหญ่ผ่านเวอร์ชันมินิแบทช์ที่อัปเดตเซนทรอยด์ในตัวอย่างขนาดเล็ก การวิจัยยังคงดำเนินต่อไปเกี่ยวกับการเลือก K อัตโนมัติ การเริ่มต้นอย่างชาญฉลาดยิ่งขึ้น และเคอร์เนลหรือตัวแปรการเรียนรู้เชิงลึกที่จัดการกับคลัสเตอร์ที่ไม่ใช่ทรงกลม มีการใช้มากขึ้นเป็นขั้นตอนก่อนการประมวลผล บีบอัดข้อมูลหรือสร้างคุณสมบัติก่อนที่จะป้อนโมเดลที่ซับซ้อนมากขึ้น และภายในฐานข้อมูลเวกเตอร์เพื่อเพิ่มความเร็วในการค้นหาความคล้ายคลึงกันในการฝัง
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- การตัดสินใจที่ชัดเจนยิ่งขึ้น. ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้
- ต้นทุนและงบประมาณ. คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา
- ทีมงานและขั้นตอนการทำงาน. ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น
ระวัง
- แต่ละทีมอาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ
- เกณฑ์มาตรฐานอาจดูแข็งแกร่งในขณะที่ประสิทธิภาพในโลกแห่งความเป็นจริงไม่เท่ากัน
- การเพิกเฉยต่อคุณภาพข้อมูลและแผนการประเมินมักสร้างผลลัพธ์ที่เปราะบาง
ขั้นตอนต่อไป
- เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ
- เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ
- ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม
- เอกสารที่ซึ่งการจัดกลุ่ม K-Means ช่วยได้ และวิธีที่ง่ายกว่าจะดีกว่า
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
Take the K-Means Clustering quiz
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
What is K-Means Clustering?
K-Means เป็นอัลกอริธึมที่ไม่ได้รับการดูแลซึ่งจะจัดเรียงข้อมูลออกเป็นกลุ่ม K โดยอัตโนมัติโดยการค้นหาศูนย์คลัสเตอร์ สิ่งสำคัญเนื่องจากเผยให้เห็นโครงสร้างที่ซ่อนอยู่ในข้อมูลที่ไม่มีป้ายกำกับ ตั้งแต่กลุ่มลูกค้าไปจนถึงสีของภาพ
'K' ใน K-Means หมายถึงอะไร?
K คือจำนวนคลัสเตอร์ที่ผู้ใช้ระบุก่อนรันอัลกอริทึม วิธีการก็พบว่ามีเซนทรอยด์จำนวนมาก
ขั้นตอนการทำซ้ำสองขั้นตอนในลูป K-Means คืออะไร?
K-Means สลับระหว่างการกำหนดแต่ละจุดให้กับเซนทรอยด์ที่ใกล้ที่สุด และคำนวณใหม่แต่ละเซนทรอยด์เป็นค่าเฉลี่ยของคะแนนที่กำหนด
K-Means พยายามลดปริมาณเท่าใด
K-Means ช่วยลดความเฉื่อย ซึ่งเป็นระยะห่างกำลังสองทั้งหมดระหว่างจุดและเซนทรอยด์ที่ได้รับมอบหมาย ทำให้กระจุกแน่น
เหตุใด K-Means จึงถูกเรียกว่าอัลกอริธึม 'unsupervised'
ไม่ได้รับการดูแลหมายความว่าข้อมูลไม่มีป้ายกำกับ K-Means ค้นหาโครงสร้างด้วยตัวเองโดยไม่ต้องบอกกลุ่มที่ถูกต้อง
'วิธีข้อศอก' มักใช้เพื่ออะไร?
วิธีข้อศอกจะพล็อตข้อผิดพลาดเทียบกับ K และมองหาส่วนโค้งที่การเพิ่มกลุ่มมากขึ้นจะหยุดช่วยได้มาก
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้