概述
It matters because it reveals hidden structure in unlabeled data, from customer segments to image colors.
深入探讨
K-Means 将数据划分为选定数量的簇 K，不带任何标签。它首先放置称为质心的 K 个点，通常是随机的。然后它重复两个步骤：将每个数据点分配给最近的质心，并将每个质心移动到分配给它的点的平均位置。这些步骤循环直到分配停止变化，这意味着算法已经收敛。目标是最小化簇内方差，即点与其质心之间的总平方距离。由于结果取决于起始位置，因此像 K-Means++ 这样的智能初始化会将初始质心分开。您必须提前选择 K，通常由误差曲线上的“肘部法”引导。
现实世界的实施
客户细分：根据支出和访问频率对购物者进行分组，以开展有针对性的营销活动。
图像颜色压缩：将数百万像素颜色减少到 K 个代表性色调，以缩小文件大小。
文档组织：按主题对新闻文章或支持票进行聚类，无需预定义类别。
异常检测：将远离任何集群中心的点标记为潜在欺诈或传感器故障。
K-Means 聚类的未来
K-Means 仍然是一种主力，因为它速度快，并且可以通过更新小样本质心的小批量版本扩展到庞大的数据集。关于 K 的自动选择、更智能的初始化以及处理非球形集群的内核或深度学习变体的研究仍在继续。它越来越多地用作预处理步骤，在提供更复杂的模型之前压缩数据或生成特征，并在向量数据库中加速嵌入的相似性搜索。
付诸实践
为什么这很重要
- 更清晰的判决. 它可以帮助您将清晰的技术声明与营销语言分开。
- 成本与预算. 在花费金钱或时间之前，您可以提出更好的实施问题。
- 团队与工作流程. 具有共同理解的团队可以做出更好的产品、政策和学习决策。
留意
- 不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
- 基准测试可能看起来很强大，但实际性能却参差不齐。
- 忽视数据质量和评估计划通常会产生脆弱的结果。
后续步骤
- 从您需要的结果的简单语言定义开始。
- 在测试之前选择一种成功指标和一种失败条件。
- 使用代表性数据运行小型试点，而不是完善的演示集。
- 记录 K 均值聚类在哪些方面有帮助以及在哪些方面更简单的方法更好。
不断探索
常见问题
What is K-Means Clustering?
K-Means 是一种无监督算法，通过查找聚类中心自动将数据分类为 K 组。这很重要，因为它揭示了未标记数据中的隐藏结构，从客户群到图像颜色。
K-Means 中的“K”指的是什么？
K是用户在运行算法之前指定的簇数；然后该方法找到许多质心。
K-Means 循环中的两个重复步骤是什么？
K 均值在将每个点分配给其最近的质心和重新计算每个质心作为其分配点的平均值之间交替进行。
K-Means 尝试最小化多少数量？
K 均值最小化惯性，即点与其指定质心之间的总平方距离，从而使簇紧密。
为什么 K-Means 被称为“无监督”算法？
无监督意味着数据没有标签； K-Means 会自行发现结构，而无需告知正确的组。
“肘法”常用来做什么？
肘部方法绘制误差与 K 的关系图，并寻找添加更多簇不再有太大帮助的弯曲处。