K-Means Clustering
K-Means partitioniert Daten in K Cluster und minimiert die Summe der quadrierten Distanzen innerhalb der Cluster, indem zwischen Zuordnung der Punkte zum nächsten Zentrum und Aktualisierung der Zentren auf die Cluster-Mittelwerte abgewechselt wird.
Zweck
Den am weitesten verbreiteten Partitionierungs-Clustering-Algorithmus liefern — einfach und effizient.
Mechanismus
K Zentren initialisieren. Wiederholen: 1) jeden Punkt seinem nächsten Zentrum zuordnen; 2) jedes Zentrum auf den Mittelwert seines Clusters aktualisieren. Konvergiert zu einem lokalen Optimum (das Ziel sinkt monoton). K-Means++ verbessert die Initialisierung.
Anwendungsfälle
- Daten-Clustering
- Bildsegmentierung
- Vektorquantisierung