چند خوشه برای این داده‌ها کافیه؟

k-means چه کار می‌کنه؟

الگوریتم اول چند مرکز شروعی انتخاب می‌کنه. هر نقطه به نزدیک‌ترین مرکز می‌ره؛ بعد مرکز هر گروه از میانگین مختصات نقطه‌های همان گروه به دست می‌آد. این دو کار چند بار تکرار می‌شن تا گروه‌بندی بهتر بشه یا دورهای تعیین‌شده تمام بشن.

اینرسی درون‌خوشه‌ای

J = sum_i min_j ||x_i - c_j||^2

برای هر نقطه، فاصله تا نزدیک‌ترین مرکز را به توان دو می‌رسونیم و همه را جمع می‌کنیم. عدد کوچک‌تر یعنی نقطه‌ها نزدیک‌تر چیده شدن؛ اما اضافه‌کردن مرکز معمولاً می‌تونه این عدد رو کم کنه، حتی وقتی گروه تازه برداشت مفیدتری از داده نیست.

تعداد خوشه‌ها را فقط از روی خطا انتخاب نکن

K تعداد مرکزهایی است که الگوریتم باید بسازه. K کوچک ممکنه چند گروه طبیعی رو یکی کنه؛ K بزرگ هم می‌تونه یک گروه رو بی‌دلیل خرد کنه. باید به شکل داده و دلیل گروه‌بندی هم نگاه کرد؛ این صفحه برچسب واقعی یا معیار جدا برای «بهترین K» نداره.

شروع متفاوت، نتیجهٔ متفاوت

مرکزهای شروعی از میان نقطه‌ها انتخاب می‌شن. اگر یک اجرای تازه بزنی، مرکزها و خود نقطه‌های ساختگی هم عوض می‌شن؛ پس مقایسهٔ عددهای دو اجرای جدا هم تغییر K رو دارد و هم تغییر نمونهٔ تصادفی را. برای همین تمرین‌های بالا K رو در پیش‌نمایش ثابت تغییر می‌دن.