k-Means и выбор k
Методы локтя и силуэта
«k-Means и выбор k» — бесплатный урок Data Science Academy на CoddyKit. Это урок 2 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Data Science Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Data Science Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
The Go-To Clusterer
k-Means is the most popular clustering algorithm: it splits your data into k groups by grouping points around central anchors. 🎯
Centroids Are Anchors
Each cluster has a centroid, the mean position of its members. Points join the cluster whose centroid sits closest to them.
The Repeating Dance
k-Means alternates two steps: assign every point to its nearest centroid, then recompute each centroid from its new members.
It Settles Down
Those steps repeat until assignments stop changing. The algorithm has converged, and the clusters are final.
You Choose k First
k-Means cannot invent the number of groups. You must pick k up front, and the right value is rarely obvious.
Run It in One Line
scikit-learn makes fitting easy. Set n_clusters to your chosen k and call fit on your scaled data.
from sklearn.cluster import KMeans
model = KMeans(n_clusters=3).fit(X)Inertia Measures Tightness
After fitting, inertia reports the total squared distance from points to their centroids. Lower means tighter clusters.
model.inertia_The Elbow Method
Plot inertia for many k values. Where the curve bends sharply, the elbow, often marks a good number of clusters.
Diminishing Returns
Past the elbow, adding clusters barely lowers inertia. That flattening signals you are just splitting groups that already fit well.
The Silhouette Score
A second guide is the silhouette score: it rewards points that sit close to their own cluster and far from others.
from sklearn.metrics import silhouette_scoreStart Smarter
Random starts can land badly, so scikit-learn defaults to k-means++, which spreads initial centroids out for steadier results.
Quick Check
Let us check how you would pick a sensible k.
Recap
k-Means groups points around centroids for a chosen k; the elbow and silhouette help you pick that k well. 🎯
Часто задаваемые вопросы
Урок «k-Means и выбор k» бесплатный?
Да — полный текст урока «k-Means и выбор k» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Data Science Academy, подпишись на CoddyKit PRO. Курс Data Science Academy содержит 4 уроков всего.
Чему я научусь в уроке «k-Means и выбор k»?
Методы локтя и силуэта Ты практикуешь Data Science Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Data Science Academy?
Предыдущий опыт не требуется. Data Science Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 2 из 4.
Сколько времени занимает урок «k-Means и выбор k»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Data Science Academy?
Да. Каждый урок Data Science Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Обучение с учителем и без учителя
- k-Means и выбор k
- Иерархическая кластеризация и DBSCAN
- Профилирование и именование кластеров