K-Means Clustering
K-Means partitionne les données en K clusters en minimisant la somme des distances au carré intra-cluster, en alternant affectation des points au centre le plus proche et mise à jour des centres aux moyennes des clusters.
Objectif
Fournir l'algorithme de partitionnement le plus utilisé, simple et efficace.
Mécanisme
On initialise K centres. Répéter : 1) affecter chaque point à son centre le plus proche ; 2) mettre à jour chaque centre à la moyenne de son cluster. Il converge vers un optimum local (l'objectif décroît monotone). K-Means++ améliore l'initialisation.
Cas d’usage
- Partitionnement de données
- Segmentation d'images
- Quantification vectorielle