k-Means og valg af k

k-Means er den mest populære algoritme til klyngedannelse: Den opdeler dine data i k grupper ved at samle punkter omkring centrale ankre. 🎯

Hver klynge har en centroide, altså medlemmernes gennemsnitlige position. Punkter tilslutter sig den klynge, hvis centroide ligger tættest på dem.

k-Means skifter mellem to trin: Tildel hvert punkt til den nærmeste centroide, og genberegn derefter hver centroide ud fra dens nye medlemmer.

Trinnene gentages, indtil tildelingerne ikke længere ændrer sig. Algoritmen er konvergeret, og klyngerne er endelige.

k-Means kan ikke selv opfinde antallet af grupper. Du skal vælge k på forhånd, og den rigtige værdi er sjældent åbenlys.

scikit-learn gør tilpasningen enkel. Sæt n_clusters til dit valgte k, og kald fit på dine skalerede data.

Efter tilpasningen angiver inertia den samlede kvadrerede afstand fra punkterne til deres centroider. En lavere værdi betyder tættere klynger.

Tegn inertia for mange k-værdier. Der, hvor kurven bøjer skarpt, markerer albuen ofte et godt antal klynger.

Efter albuen sænker flere klynger kun inertia en smule. Denne udfladning viser, at du blot opdeler grupper, der allerede passer godt.

En anden rettesnor er silhuetscoren: Den belønner punkter, der ligger tæt på deres egen klynge og langt fra andre.

Tilfældige startpunkter kan give dårlige resultater, så scikit-learn bruger som standard k-means++, der spreder de indledende centroider for at give mere stabile resultater.

k-Means samler punkter omkring centroider for et valgt k. Albuen og silhuetten hjælper dig med at vælge dette k på en god måde. 🎯