HyperAIHyperAI

Command Palette

Search for a command to run...

تجميع K-means

Date

منذ 3 أعوام

التجميع باستخدام طريقة k-meansإنها طريقة كمية المتجهات التي كانت تستخدم في معالجة الإشارات في الأيام الأولى. يتم استخدامه حاليًا بشكل أساسي كطريقة لتحليل التجميع في مجال استخراج البيانات.

الغرض من التجميع باستخدام متوسط k هو تقسيم n نقطة إلى مجموعات k بحيث تنتمي كل نقطة إلى المجموعة المقابلة لأقرب متوسط، واستخدام هذا كمعيار للتجميع. يمكن فهم هذا النوع من المشكلات على أنه مشكلة تقسيم مساحة البيانات إلى خلايا فورونوي، والتي تستخدم بشكل أساسي لتجميع نقاط البيانات ثنائية الأبعاد.

الخطوات الرئيسية

1. حدد نقاط k كنقط كتلة أولية؛

2. كرر الخطوات:

  • قم بتعيين كل نقطة إلى أقرب مركز لتكوين k مجموعة؛
  • إعادة حساب مركز كل مجموعة؛

3. حتى لا يتغير التجمع أو يتم الوصول إلى الحد الأقصى لعدد التكرارات.

مقاييس المسافة والوظائف الموضوعية

خذ في الاعتبار دالة المسافة الإقليدية واستخدم مجموع الأخطاء التربيعية كدالة هدف للتجميع.

الإيجابيات والسلبيات

المزايا: خوارزمية k-means هي خوارزمية كلاسيكية لمشاكل التجميع. تعتبر الخوارزمية بسيطة وسريعة، وتتمتع بكفاءة خوارزمية عالية نسبيًا لكميات كبيرة من البيانات. تُستخدم قابلية التوسع العالية عادةً كخوارزمية إنهاء مثالية محلية. يكون تأثير التجميع أفضل عندما تكون المجموعات كثيفة، ومستديرة، ومتكتلة، وتكون الاختلافات بين المجموعات واضحة.

العيوب: يجب على المستخدم تحديد عدد المجموعات التي سيتم إنشاؤها مسبقًا؛ الخوارزمية حساسة للقيمة الأولية، والقيم الأولية المختلفة ستؤدي إلى نتائج تجميع مختلفة؛ فهو حساس لبيانات الضوضاء وبيانات النقاط المعزولة، وكمية صغيرة من البيانات سيكون لها تأثير كبير على القيمة المتوسطة.

مراجع

【1】خوارزمية k-means - ويكيبيديا

【2】http://hometown.group/wp-content/uploads/2018/07/%E8%81%9A%E7%B1%BB.pdf

Build AI with AI

From idea to launch — accelerate your AI development with free AI co-coding, out-of-the-box environment and best price of GPUs.

AI Co-coding
Ready-to-use GPUs
Best Pricing

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp
تجميع K-means | Wiki | HyperAI