เปรียบเทียบวิธี

	การจัดกลุ่มแบบ K-means	การเรียนรู้แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1967 (formalized 1982)	1970s–2006 (formalized)
ผู้ริเริ่ม	MacQueen, J. B.; Lloyd, S. P.	Vapnik, V. N. and others (community of researchers, 1970s–2000s)
ประเภท	Partitional clustering	Learning paradigm
แหล่งต้นตำรับ	Lloyd, S. P. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137.	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
ชื่อเรียกอื่น	k-means clustering, Lloyd's algorithm, k-means partitioning, hard k-means	SSL, semi-supervised machine learning, transductive learning, label-efficient learning
ที่เกี่ยวข้อง	4	5
สรุป	K-means is a classic unsupervised partitional clustering algorithm that divides a dataset into K non-overlapping groups by iteratively assigning each observation to its nearest centroid and updating centroids as the mean of their assigned points. It is one of the most widely used exploratory tools in machine learning and data analysis.	Semi-supervised learning (SSL) is a machine learning paradigm that trains models using a small set of labeled examples together with a much larger pool of unlabeled data. By leveraging the structure inherent in unlabeled data, SSL achieves accuracy closer to fully supervised models while requiring far fewer costly manual labels — making it practical when labeling is expensive, slow, or resource-constrained.