K-means Clustering
K-means is een klassiek niet-gesuperviseerd partitionerend clusteringsalgoritme dat een dataset opdeelt in K niet-overlappende groepen door iteratief elke observatie toe te wijzen aan de dichtstbijzijnde centroid en de centroids bij te werken als het gemiddelde van hun toegewezen punten. Het is een van de meest gebruikte verkennende hulpmiddelen in machine learning en data-analyse.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+17 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). K-means Clustering Algorithm. ScholarGate. https://scholargate.app/nl/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.
- DBSCANMachine learning↔ compare
- Hiërarchische clusteringMachine learning↔ compare
- HoofdcomponentenanalyseMachine learning↔ compare
- t-SNEMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →