K-Means Clustering
K-Means particiona los datos en K clústeres minimizando la suma de distancias al cuadrado dentro del clúster, alternando entre asignar puntos al centro más cercano y actualizar los centros a las medias de los clústeres.
Propósito
Proporcionar el algoritmo de clustering particional más usado, simple y eficiente.
Mecanismo
Se inicializan K centros. Repetir: 1) asignar cada punto a su centro más cercano; 2) actualizar cada centro a la media de su clúster. Converge a un óptimo local (el objetivo decrece monótonamente). K-Means++ mejora la inicialización.
Casos de uso
- Clustering de datos
- Segmentación de imágenes
- Cuantización de vectores