Post by Mohammad Reza Bahrani

الگوریتم K-Means پشت صحنه چطور کار می‌کند؟ این پست برای متخصصان نیست... فرض کنید فقط چهار داده داریم: 1، 2، 8، 9 هدف ما این است که این داده‌ها را به دو گروه تقسیم کنیم. پس مقدار K را برابر 2 قرار می‌دهیم. K = 2 مرحله اول: انتخاب مرکز اولیه خوشه‌ها الگوریتم ابتدا دو نقطه را به‌عنوان مرکز اولیه انتخاب می‌کند. مرکز خوشه اول: 1 مرکز خوشه دوم: 8 مرحله دوم: نسبت دادن داده‌ها به نزدیک‌ترین مرکز حالا هر داده را به مرکزی که فاصله کمتری با آن دارد نسبت می‌دهیم. خوشه اول: 1، 2 خوشه دوم: 8، 9 مرحله سوم: محاسبه مرکز جدید هر خوشه مرکز هر خوشه برابر میانگین داده‌های آن خوشه است. مرکز جدید خوشه اول: (1 + 2) ÷ 2 = 1.5 مرکز جدید خوشه دوم: (8 + 9) ÷ 2 = 8.5 مرحله چهارم: دسته‌بندی دوباره داده‌ها این بار فاصله داده‌ها را با مرکزهای جدید یعنی 1.5 و 8.5 بررسی می‌کنیم. داده‌های 1 و 2 همچنان به مرکز 1.5 نزدیک‌تر هستند. داده‌های 8 و 9 نیز همچنان به مرکز 8.5 نزدیک‌تر هستند. پس خوشه‌ها تغییر نمی‌کنند. خوشه اول: 1، 2 خوشه دوم: 8، 9 وقتی دیگر داده‌ای بین خوشه‌ها جابه‌جا نشود، الگوریتم متوقف می‌شود. در واقع K-Means فقط این سه کار را بارها تکرار می‌کند: انتخاب نزدیک‌ترین مرکز ساخت خوشه‌ها محاسبه دوباره مرکز خوشه‌ها این فرایند تا زمانی ادامه پیدا می‌کند که مرکزها و خوشه‌ها ثابت شوند. نکته مهم این است که در K-Means باید تعداد خوشه‌ها را از قبل مشخص کنیم و انتخاب مرکزهای اولیه نیز می‌تواند روی نتیجه نهایی تأثیر بگذارد. NEVISA Arioobarzan Team Mohammad Zare Danial Soleimany Mohammad Hossein Hariri Faezeh Hesam Hanieh Khalesi Maryam Mazarei #MachineLearning #KMeans #Clustering #DataScience #ArtificialIntelligence #یادگیری_ماشین #هوش_مصنوعی #علم_داده