> ML_ALGORITHM // K-MEANS-CLUSTERING_v1.0
K-Ortalamalar ve K-Ortalamalar++ Kümeleme
K adet merkez prototipi etrafındaki küme içi Öklid varyansını en aza indiren referans yinelemeli bölümleme algoritması.
Partitioning Clusteringclassical-unsupervisedhigh-intrinsicmedium (1k-100k)
Tüm Algoritmalara DönHesaplama Karmaşıklığı
Eğitim (Training):O(iterations * k * n * p)
Çıkarım (Inference):O(k * p)
Donanım Karakteristiği
CPU Uygunluğu:Evet
GPU Zorunluluğu:Hayır
Bellek Ayak İzi:low
Açıklanabilirlik ve Veri
Açıklanabilirlik Düzeyi:high-intrinsic
Eğitim Verisi İhtiyacı:medium (1k-100k)
Açıklanabilirlik Değerlendirmesi
Ağırlık merkezleri (centroid) her kümedeki tüm üyelerin ortalama özellik vektörünü doğrudan temsil eder.
Uygun Görevler ve Desteklenen Modaliteler
Uygun Görevler:
clusteringvector quantization
Desteklenen Modaliteler:
tabular
Uygulayıcı Kütüphaneler
Temel Literatür & Yayınlar
Least squares quantization in PCMStuart P. Lloyd (1982) · IEEE Transactions on Information Theory
k-means++: The Advantages of Careful SeedingDavid Arthur, Sergei Vassilvitskii (2007) · ACM-SIAM Symposium on Discrete Algorithms (SODA)
Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler
- Dirsek eğrisi veya silüet doğrulaması yapmadan rastgele k seçmek
- Dışbükey olmayan veya eşit olmayan boyutlu kümelerde başarısız olmak