k-Means en k kiezen

k-Means is het populairste clusteringalgoritme: het verdeelt je gegevens in k groepen door punten rond centrale ankerpunten te groeperen. 🎯

Elk cluster heeft een centroïde, de gemiddelde positie van de leden. Punten worden toegewezen aan het cluster waarvan de centroïde het dichtst bij ligt.

k-Means wisselt twee stappen af: wijs elk punt toe aan de dichtstbijzijnde centroïde en bereken daarna elke centroïde opnieuw op basis van de nieuwe leden.

Die stappen worden herhaald totdat de toewijzingen niet meer veranderen. Het algoritme is geconvergeerd en de clusters liggen vast.

k-Means kan het aantal groepen niet zelf bedenken. Je moet vooraf k kiezen, en de juiste waarde is zelden meteen duidelijk.

scikit-learn maakt het aanpassen eenvoudig. Stel n_clusters in op de gekozen k en roep fit aan op je geschaalde gegevens.

Na het aanpassen geeft inertie de totale gekwadrateerde afstand van punten tot hun centroïden. Een lagere waarde betekent compactere clusters.

Plot de inertie voor veel waarden van k. Waar de curve scherp buigt, de elleboog, ligt vaak een goed aantal clusters.

Na de elleboog verlaagt het toevoegen van clusters de inertie nauwelijks. Die afvlakking betekent dat je groepen die al goed passen alleen maar verder aan het opsplitsen bent.

Een tweede richtlijn is de silhouetscore: die beloont punten die dicht bij hun eigen cluster liggen en ver van andere clusters.

Willekeurige starts kunnen slecht uitpakken, daarom gebruikt scikit-learn standaard k-means++, dat de eerste centroïden spreidt voor stabielere resultaten.

k-Means groepeert punten rond centroïden voor een gekozen k; de elleboog en silhouetscore helpen je die k goed te kiezen. 🎯