K-means Clustering
K-means ist ein klassischer unüberwachter partitiver Clustering-Algorithmus, der einen Datensatz iterativ in K nicht überlappende Gruppen unterteilt, indem jede Beobachtung ihrem nächstgelegenen Zentroiden zugeordnet und die Zentroiden als Mittelwert ihrer zugeordneten Punkte aktualisiert werden. Es ist eines der am weitesten verbreiteten explorativen Werkzeuge im maschinellen Lernen und in der Datenanalyse.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+17 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). K-means Clustering Algorithm. ScholarGate. https://scholargate.app/de/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.
- DBSCANMaschinelles Lernen↔ compare
- Hierarchische ClusteranalyseMaschinelles Lernen↔ compare
- HauptkomponentenanalyseMaschinelles Lernen↔ compare
- t-SNEMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →