AITerms 登入
機器學習AI基礎統計方法

K 均值分群(K-Means Clustering)是什麼?

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

同主題的術語機器學習AI基礎

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

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

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