tag centroid

K-Means Kümeleme (K-Ortalama Kümeleme)

Bu sayfada centroid (K-Means Kümeleme (K-Ortalama Kümeleme)) etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

K-Means, makine öğreniminde en yaygın kullanılan gözetimsiz kümeleme algoritmalarından biridir. Temel amacı, etiketlenmemiş veri noktalarını K adet anlamlı gruba (kümeye) bölmektir; küme içindeki noktalar birbirine benzerken farklı kümeler arasındaki benzerlik minimum tutulur. Algoritma, yinelemeli (iteratif) dört adımla çalışır. Başlatma aşamasında K adet merkez noktası (centroid) rastgele ya da K-Means++ yöntemiyle seçilir. K-Means++ merkezleri birbirinden olabildiğince uzağa yerleştirerek daha kararlı başlangıç sağlar ve yakınsama hızını artırır. Atama adımında her veri noktası, Öklid uzaklığı (veya seçilen mesafe ölçütü) ile en yakın merkeze atanır. Güncelleme adımında her küme için noktaların koordinat ortalaması hesaplanarak yeni centroid belirlenir. Bu atama ve güncelleme döngüsü, hiçbir centroid yer değiştirmeyene kadar tekrarlanır. Algoritmanın en kritik parametresi K değeridir — kaç küme istediğimizi önceden belirtmemiz gerekir. K'yı belirlemek için en yaygın yöntem 'Dirsek Yöntemi' (Elbow Method): farklı K değerleri için Küme İçi Kareler Toplamı (WCSS - Within-Cluster Sum of Squares) grafiğe dökülerek eğrinin dirsek yaptığı nokta optimal K olarak seçilir. Silhouette Skoru gibi istatistiksel ölçütler de K seçiminde kullanılabilir. K-Means'ın temel avantajları sadelik ve ölçeklenebilirliktir; büyük veri kümelerinde hızlı çalışır. Sınırlılıkları arasında K'nın önceden belirlenmesi zorunluluğu, yalnızca küresel şekilli kümelerde başarılı çalışması ve aykırı değerlere duyarlılık sayılabilir. K-Means++, Mini-Batch K-Means ve Bisecting K-Means gibi varyantlar bu zayıflıkları gidermeye yönelik geliştirilmiştir. Gerçek dünyada müşteri segmentasyonu, belge kümeleme, görüntü sıkıştırma, pazar analizi ve anomali tespiti gibi geniş bir uygulama alanına sahiptir.

code_blocks

K-Means Kümeleme (K-Ortalama Kümeleme)

K-Means, makine öğreniminde en yaygın kullanılan gözetimsiz kümeleme algoritmalarından biridir. Temel amacı, etiketlenmemiş veri noktalarını K adet anlamlı gruba (kümeye) bölmektir; küme içindeki noktalar birbirine benzerken farklı kümeler arasındaki benzerlik minimum tutulur. Algoritma, yinelemeli (iteratif) dört adımla çalışır. Başlatma aşamasında K adet merkez noktası (centroid) rastgele ya da K-Means++ yöntemiyle seçilir. K-Means++ merkezleri birbirinden olabildiğince uzağa yerleştirerek daha kararlı başlangıç sağlar ve yakınsama hızını artırır. Atama adımında her veri noktası, Öklid uzaklığı (veya seçilen mesafe ölçütü) ile en yakın merkeze atanır. Güncelleme adımında her küme için noktaların koordinat ortalaması hesaplanarak yeni centroid belirlenir. Bu atama ve güncelleme döngüsü, hiçbir centroid yer değiştirmeyene kadar tekrarlanır. Algoritmanın en kritik parametresi K değeridir — kaç küme istediğimizi önceden belirtmemiz gerekir. K'yı belirlemek için en yaygın yöntem 'Dirsek Yöntemi' (Elbow Method): farklı K değerleri için Küme İçi Kareler Toplamı (WCSS - Within-Cluster Sum of Squares) grafiğe dökülerek eğrinin dirsek yaptığı nokta optimal K olarak seçilir. Silhouette Skoru gibi istatistiksel ölçütler de K seçiminde kullanılabilir. K-Means'ın temel avantajları sadelik ve ölçeklenebilirliktir; büyük veri kümelerinde hızlı çalışır. Sınırlılıkları arasında K'nın önceden belirlenmesi zorunluluğu, yalnızca küresel şekilli kümelerde başarılı çalışması ve aykırı değerlere duyarlılık sayılabilir. K-Means++, Mini-Batch K-Means ve Bisecting K-Means gibi varyantlar bu zayıflıkları gidermeye yönelik geliştirilmiştir. Gerçek dünyada müşteri segmentasyonu, belge kümeleme, görüntü sıkıştırma, pazar analizi ve anomali tespiti gibi geniş bir uygulama alanına sahiptir.

arrow_forward