K-means Shlukování
K-means je klasický nesupervizovaný partiční shlukovací algoritmus, který rozděluje datovou sadu do K nepřekrývajících se skupin iterativním přiřazováním každého pozorování k jeho nejbližšímu centroidu a aktualizací centroidů jako průměru přiřazených bodů. Je to jeden z nejrozšířenějších exploračních nástrojů v oblasti strojového učení a analýzy dat.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+17 more
Zdroje
- Lloyd, S. P. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137. DOI: 10.1109/TIT.1982.1056489 ↗
- MacQueen, J. B. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability, 1, 281–297. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). K-means Clustering Algorithm. ScholarGate. https://scholargate.app/cs/machine-learning/k-means
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DBSCANStrojové učení↔ compare
- Hierarchické shlukováníStrojové učení↔ compare
- Analýza hlavních komponentStrojové učení↔ compare
- t-SNEStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →