完整定義
K-Means 是一種非監督式學習的分群演算法,將資料點依據距離自動分為 K 個群集,常用於顧客分群、影像壓縮和異常偵測,是 iPAS 初級考試的基礎統計題型。
白話說明
你有沒有一堆資料看起來很像,卻不知道該怎麼自己分成幾群?
你可以把它想成先放幾個群中心,再讓資料自己靠近最近的中心,反覆調整到穩定。
K 均值分群是一種將資料點分配到 K 個群集的演算法,透過反覆運算,將點分配到最近的群集中心,並更新中心位置,直到收斂
記住這句
先指定 K,再把點分到最近群中心。
比喻:K 均值分群就像一群人分組玩遊戲 -- 大家先隨機站,然後每個人都跑到離自己最近的組長旁邊,組長再移動到自己組員的中心點,這樣來回幾次,大家就自然分好群了。
容易混淆
K 近鄰
K-Means 是無監督分群,K 近鄰是有標籤時拿鄰居投票。
DBSCAN
K-Means 先指定群數,DBSCAN 會自己找密度群,形狀也比較自由。
實際案例
客戶分群
電商把會員分成高消費、低頻次、沉睡客戶幾類,用來設計不同優惠。
色彩壓縮
把圖片顏色從很多種縮成少數幾群,檔案變小,畫面仍大致保留。
演算法與應用
K-Means 的核心是「指派」與「更新」兩步反覆交替。你先選 K 個初始中心,再把資料分給最近的中心,接著重新算中心位置,直到中心不再明顯移動。K 值選得好不好,常常比算法本身更重要。
iPAS 考題
出題方向: 這類概念常考定義、差異和實務用法。
題目 關於 K-Means 分群,下列何者正確?
答案:C。 K-Means 的群中心是群內資料點的平均值,這是它更新中心的基本方式。A 錯在它屬於無監督學習,B 錯在 K 需要人先指定,D 錯在它對離群值其實很敏感。
常見問題
K-Means 是無監督分群,K 近鄰是有標籤時拿鄰居投票。
你可以把它想成先放幾個群中心,再讓資料自己靠近最近的中心,反覆調整到穩定。
K-Means 先指定群數,DBSCAN 會自己找密度群,形狀也比較自由。
出現在這些考古題
官方公告試題的逐題解析裡,有 7 題把K 均值分群列為延伸術語,這裡列出 5 題。
相關術語
- 非監督式學習Unsupervised Learning
- 機器學習Machine Learning
- 密度分群Density-Based Spatial Clustering
- 主成分分析Principal Component Analysis
- 交叉驗證Cross-Validation
本頁內容有提到,或屬於同一組主題的術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本