繁體中文
選單

什麼是k-平均演算法（k-means clustering）

將資料分成事先決定之k個群集的代表性分群方法。先暫定k個中心，然後反覆進行「將各筆資料分配到最近中心的群集」與「以各群集資料的平均作為新中心」，直到分配不再改變為止。計算簡單、也能用於大量資料，但結果受初始值影響、必須自行決定k，且難以分開非球狀的群聚。

日文名稱: k平均法

「k-平均演算法（k-means clustering）」出現在1領域的1道練習題中（機器學習基礎等）。

這個名詞所屬的領域: 機器學習基礎

練習k-平均演算法（k-means clustering）的題目

下列關於以k-平均演算法（k-means）進行分群的步驟，何者適當？

  1. A從所有資料屬於同一個群集開始，依序切出離其他資料最遠的資料，一直分割到群集數為k為止
  2. B先暫定k個中心，將各筆資料分配到最近中心的群集，再以各群集的平均作為新中心，反覆進行直到分配不再改變
  3. C對每一筆要決定群集的資料，從訓練資料中找出最近的k筆資料，以其標籤的多數決決定群集
查看答案與解析

正確答案：B. 先暫定k個中心，將各筆資料分配到最近中心的群集，再以各群集的平均作為新中心，反覆進行直到分配不再改變

k-平均演算法先決定群集數k，依（1）決定k個中心、（2）將各筆資料分配到最近中心的群集、（3）以各群集資料的平均作為新中心的步驟，反覆進行（2）與（3），直到分配不再改變為止。結果會受最初中心的選法影響，可能停在並非最佳分法的解，因此會改變初始值執行數次，或使用k-means++等初始值的選法。k值不會自動決定，需參考手肘法等加以決定。

解析中的「k-平均演算法（k-means clustering）」

出現「k-平均演算法（k-means clustering）」的題目（1題）

  1. 下列關於以k-平均演算法（k-means）進行分群的步驟，何者適當？

相關名詞

主成分分析（PCA） 正規化（Regularization） 交叉驗證（Cross-validation） 卷積神經網路（CNN） 非監督式學習（Unsupervised learning） 強化學習（Reinforcement learning） 啟動函數（Activation function） 梯度下降法（Gradient descent） 混淆矩陣（Confusion matrix） 過擬合（Overfitting）

前往名詞解釋列表