K-Means Kümelemesi

K-Means Kümeleme, kümeleme alanında yaygın olarak kullanılan bir algoritmadır. bölümlemek için tasarlanmış denetimsiz öğrenme veri kümesini farklı, örtüşmeyen alt gruplara ayırmıştır. Daha geniş bağlamda makine öğrenimi (ML), bu yöntem çok önemlidir etiketsiz verilerdeki gizli kalıpları ve yapıları keşfetmek için kullanılır. Algoritma, veri noktalarını düzenleyerek çalışır her noktanın en yakın ortalamaya sahip kümeye ait olduğu, $K$ sayıda kümeye ayrılır. grup. Bu yaklaşım, her bir küme içindeki varyansın en aza indirilmesine yardımcı olarak aynı kümedeki veri noktalarının grupların mümkün olduğunca benzer olması ve farklı grupların birbirinden ayrı tutulması.

Algoritma Nasıl Çalışır?

K-Means süreci iteratiftir ve merkez olarak hareket eden $K$ başlangıç merkezlerinin seçimi ile başlar kümeler için noktalar. Bu merkezler rastgele veya aşağıdaki gibi daha akıllı başlatma teknikleriyle seçilebilir k-means++ başlatma yakınsama hızını artırmak için. Algoritma daha sonra sonuçlar stabilize olana kadar iki ana adımda ilerler:

1. Görevlendirme: Her bir veri noktası eğitim verileri en yakın centroid'e atanır bir mesafe metriğine dayalı olarak, tipik olarak Öklid mesafesi. Bu adım etkili bir şekilde verileri $K$ kümelerine ayırır.
2. Güncelleme: Her küme için yeni centroid, tüm veri noktalarının ortalaması hesaplanarak hesaplanır o belirli kümeye atanmıştır.

Bu döngü, merkezler artık önemli ölçüde hareket etmeyene kadar tekrarlanır ve bu da algoritmanın yakınsadığını gösterir. Optimum küme sayısının belirlenmesi sürecin kritik bir parçasıdır ve genellikle aşağıdaki gibi teknikler kullanılarak elde edilir Dirsek yöntemi veya analiz ederek Siluet skoru Elde edilen kümeler arasındaki ayırma mesafesini ölçmek için.

Yapay Zekada Gerçek Dünya Uygulamaları

K-Means Kümeleme çok yönlüdür ve çeşitli endüstrilerde aşağıdakiler için fayda sağlar veri madenciliği ve analiz görevleri.

• Müşteri Segmentasyonu: İşletmeler, müşterileri satın almaya göre gruplandırmak için kümelemeden yararlanır davranış, demografi veya tarama geçmişi. Şirketler, farklı grupları belirleyerek pazarlama faaliyetlerini stratejileri, perakende sektöründeki yapay zekanın müşteri hedefleme ve envanter yönetimi.
• Görüntü Sıkıştırma: Bu alemde bilgisayarla görme (CV) için K-Means kullanılır renk niceleme. Bu teknik, piksel değerlerini kümeleyerek bir görüntüdeki benzersiz renklerin sayısını azaltır, etkin performans boyutsallık azaltımı yapılırken görüntünün görsel bütünlüğünü korumak.
• Anormallik Tespiti: Sistemler normal veri kümelerinin yapısını öğrenerek aykırı değerleri belirleyebilir herhangi bir merkezden uzağa düşen. Bu, güvenlik uygulamaları için değerlidir ve ağ trafiğinde anormallik tespiti.

Nesne Algılama Tarihçesinde K-Ortalamalar

gibi modern nesne dedektörleri varken Ultralytics YOLO11 sık sık gelişmiş regresyon tekniklerini veya çapasız kafaları kullanan K-Means, bu teknolojinin evriminde önemli bir rol oynamıştır. algılama modelleri. YOLOv2'den YOLOv5'e kadar olan önceki yinelemeler, sınırlayıcı kutu üzerinde K-Means kümelemesini kullanmıştır COCO veri setinin boyutlarını belirleyerek optimum çapa kutuları. Bu önceden hesaplanmış ankrajlar Nesne şekillerini tahmin etmek için daha iyi öncüllere sahip model, eğitim kararlılığını ve geri çağırmayı önemli ölçüde geliştirir.

K-Means ve K-En Yakın Komşular (KNN)

K-Means'i şu şekilde karıştırmak yaygındır K-En Yakın Komşular (KNN), ancak bunlar temelde farklı amaçları vardır.

• K-Means, kümeleme için kullanılan denetimsiz bir algoritmadır. Bu yapar etiketli veri gerektirmez ve veri kümesi içindeki doğal yapıyı bulmaya odaklanır.
• KNN, aşağıdakiler için kullanılan denetimli bir öğrenme algoritmasıdır görüntü sınıflandırma ve regresyon. Bu yeni veri noktalarını en yakın komşularının çoğunluk sınıfına göre classify için etiketli girdiye dayanır.

İlgili bir diğer kavram ise DBSCAN, merkezi bir noktadan uzaklık yerine yoğunluğa dayalı kümeleme yapar. K-Means'in aksine, DBSCAN şunları gerektirmez küme sayısının önceden belirlenmesini sağlar ve aykırı değerlerle daha iyi başa çıkar.

Kod Örneği: Renk Niceleme

Aşağıdaki Python örneği, yaygın olarak kullanılan piksel renklerini kümelemek için K-Means'in nasıl kullanılacağını göstermektedir görme görevlerinde veri ön işleme adımı.

import numpy as np
from sklearn.cluster import KMeans

# Simulate a small image (10x10 pixels) with 3 RGB channels
# In a real scenario, you would load an image using cv2.imread()
image_data = np.random.randint(0, 255, (10, 10, 3), dtype=np.uint8)
pixels = image_data.reshape(-1, 3)

# Apply K-Means to reduce the image to 3 dominant colors (clusters)
kmeans = KMeans(n_clusters=3, n_init="auto", random_state=42).fit(pixels)

# The cluster centers represent the dominant colors
print(f"Dominant RGB Colors:\n{kmeans.cluster_centers_}")