Machine learningMachine learning
خوشهبندی K-means
K-means یک الگوریتم کلاسیک خوشهبندی تقسیمی بدون نظارت است که با تخصیص تکراری هر مشاهده به نزدیکترین مرکز (centroid) و بهروزرسانی مراکز به عنوان میانگین نقاط تخصیصیافته به آنها، یک مجموعه داده را به K گروه غیرهمپوشان تقسیم میکند. این الگوریتم یکی از پرکاربردترین ابزارهای اکتشافی در یادگیری ماشین و تحلیل داده است.
مطالعهٔ کامل روش
ویژهٔ اعضا
ورودبرای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+17 more
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). K-means Clustering Algorithm. ScholarGate. https://scholargate.app/fa/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.
- دیبیاسکنیادگیری ماشین↔ compare
- خوشهبندی سلسلهمراتبییادگیری ماشین↔ compare
- تحلیل مؤلفههای اصلییادگیری ماشین↔ compare
- تی-اسانای (t-SNE)یادگیری ماشین↔ compare
ارجاعشده در
الگوریتم Aprioriقواعد وابستگیخودرمزگذارمدل مخلوط گوسی بیزیBIRCHمیانگینگیری باریسنتریک DTWEnsemble HDBSCANK-means جمعیتوضیحپذیر کردن DBSCANMean Shiftمدل مخلوط گوسی آنلاینمدل آمیخته گاوسی منظم شدهخوشهبندی کی-مینز منظمشدهمدل ترکیبی گوسی مقاوم (Robust Gaussian Mixture Model)Robust HDBSCANکِی-مینز مقاومDBSCAN خودنظارتیK-means خود-نظارتیدیبیاسکن نیمهنظارتشدهاچدیبیاسکن نیمهنظارتیK-means نیمهنظارتشدهخوشهبندی طیفی (Spectral Clustering)یو-مپ
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →