เปรียบเทียบวิธี

	[NEEDS TRANSLATION]	การจัดกลุ่มแบบ K-Means
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Latent structure	Machine learning
ปีกำเนิด	2003	1967
ผู้ริเริ่ม	Blei, D. M.; Ng, A. Y.; Jordan, M. I.	MacQueen, J.
ประเภท	Generative probabilistic topic model (three-level hierarchical Bayesian)	Partitional clustering (centroid-based)
แหล่งต้นตำรับ	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022.	MacQueen, J. (1967). Some Methods for Classification and Analysis of Multivariate Observations. Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability, 1, 281–297.
ชื่อเรียกอื่น	LDA, topic model, Blei-Ng-Jordan model, probabilistic topic modeling	K-Ortalamalar Kümeleme, k-ortalamalar kümeleme, k-means, centroid clustering
ที่เกี่ยวข้อง	3	3
สรุป	Latent Dirichlet Allocation (LDA) is a generative probabilistic model for collections of discrete data, introduced by Blei, Ng, and Jordan in 2003. It treats each document as a mixture of latent topics and each topic as a probability distribution over words, enabling unsupervised discovery of thematic structure across large text corpora. It is one of the most cited papers in machine learning and natural language processing.	K-Means Clustering is a centroid-based partitional clustering algorithm, traced to J. MacQueen in 1967, that splits data into k clusters by assigning each observation to its nearest cluster centre. It is widely used for marketing segmentation, customer grouping, and exploratory analysis.