概述
這很重要,因為它揭示了未標記資料中的隱藏結構,從客戶群到圖像顏色。
深入探討
K-Means 將資料分割成選定數量的簇 K,不帶任何標籤。它首先放置稱為質心的 K 個點,通常是隨機的。然後它重複兩個步驟:將每個數據點分配給最近的質心,並將每個質心移動到分配給它的點的平均位置。這些步驟循環直到分配停止變化,這意味著演算法已經收斂。目標是最小化簇內方差,即點與其質心之間的總平方距離。由於結果取決於起始位置,像 K-Means++ 這樣的智慧初始化會將初始質心分開。您必須提前選擇 K,通常由誤差曲線上的“肘部法”引導。
現實世界的實施
客戶細分:根據支出和訪問頻率對購物者進行分組,以進行有針對性的行銷活動。
影像色彩壓縮:將數百萬像素顏色減少到 K 個代表性色調,以縮小檔案大小。
文件組織:依主題對新聞文章或支援票進行聚類,無需預先定義類別。
異常檢測:將遠離任何群集中心的點標記為潛在詐欺或感測器故障。
K-Means 聚類的未來
K-Means 仍然是一種主力,因為它速度快,並且可以透過更新小樣本質心的小批量版本擴展到龐大的資料集。關於 K 的自動選擇、更聰明的初始化以及處理非球形集群的內核或深度學習變體的研究仍在繼續。它越來越多地用作預處理步驟,在提供更複雜的模型之前壓縮資料或生成特徵,並在向量資料庫中加速嵌入的相似性搜尋。
付諸實踐
為什麼這很重要
- 更明確的決策. 它可以幫助您將清晰的技術聲明與行銷語言分開。
- 成本與預算. 在花費金錢或時間之前,您可以提出更好的實施問題。
- 團隊與工作流程. 具有共同理解的團隊可以做出更好的產品、政策和學習決策。
留意
- 不同的團隊可能會以不同的方式使用相同術語,因此請儘早定義範圍。
- 基準測試可能看起來很強大,但實際效能卻參差不齊。
- 忽視數據品質和評估計劃通常會產生脆弱的結果。
後續步驟
- 從您需要的結果的簡單語言定義開始。
- 在測試之前選擇一種成功指標和一種失敗條件。
- 使用代表性資料運行小型試點,而不是完善的演示集。
- 記錄 K 均值聚類在哪些方面有幫助以及在哪些方面更簡單的方法更好。
不斷探索
常見問題
什麼是 K 均值聚類?
K-Means 是一種無監督演算法,透過尋找聚類中心自動將資料分類為 K 組。這很重要,因為它揭示了未標記資料中的隱藏結構,從客戶群到圖像顏色。
K-Means 中的「K」指的是什麼?
K是使用者在執行演算法之前指定的簇數;然後該方法找到許多質心。
K-Means 循環中的兩個重複步驟是什麼?
K 均值在將每個點分配給其最近的質心和重新計算每個質心作為其分配點的平均值之間交替進行。
K-Means 嘗試最小化多少數量?
K 均值最小化慣性,即點與其指定質心之間的總平方距離,從而使簇緊密。
為什麼 K-Means 被稱為「無監督」演算法?
無監督意味著資料沒有標籤; K-Means 會自行發現結構,而無需告知正確的群組。
「肘法」常用來做什麼?
肘部方法繪製誤差與 K 的關係圖,並尋找添加更多簇不再有太大幫助的彎曲處。