K-means klasterizācija
K-means ir klasisks neuzraudzīts particionējošs klasterizācijas algoritms, kas sadala datu kopu K nepārklājošās grupās, iteratīvi piešķirot katru novērojumu tā tuvākajam centroidam un atjauninot centroidus kā tiem piešķirto punktu vidējo vērtību. Tas ir viens no visplašāk izmantotajiem izpētes rīkiem mašīnmācībā un datu analīzē.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+17 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). K-means Clustering Algorithm. ScholarGate. https://scholargate.app/lv/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.
- DBSCANMašīnmācīšanās↔ compare
- Hierarhiskā klasterizācijaMašīnmācīšanās↔ compare
- Primārā komponentu analīzeMašīnmācīšanās↔ compare
- t-SNEMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →