Wichtig ist noch bei den Voraussetzungen: man muss vorher wissen, wie viele Cluster man denn haben will und damit sein "k" festlegen. Wenn man für k aber keinen guten Wert raten kann, sollte man vorher andere Verfahren zum Clustering anwenden, die selbst eine Cluster-Anzahl ausgeben, z.B. Canopy Clustering. Und dann kann man danach k-Means mit dem k und den Initialwerten für die Centroiden starten. Und noch was: je nach Wahl der Anfangs-Centroiden muss das Clustering durch k-Means nicht optimal sein, sondern kann zu einem lokalen Minimum konvergieren. Abhilfe: k-Means mehrfach starten mit verschiedenen Initialwerten. Und noch: k-Means kann keine überlappenden Cluster bilden sowie braucht viel Rechenkapazität. Alternative: Canopy Clustering als Vorverarbeitungsschritt. Und dann k-Means.
Naja, bei 3 Kategorien sind es 3 Linien. Bei 4 Kategorien sind es prinzipiell 6 Linien (immer für Paare aus den 4 Centroiden.). Und dann muss man damit passend den Raum aufteilen.
Klasse Erklärung, würde dich nur bitten, nächstes Mal eine andere Farbe zu benutzen, für jemanden, der Rot und Grün schwer unterscheidet, ist die Grafik nicht lesbar.
Schöne Erklärung, super hilfreich, danke dir!
Wichtig ist noch bei den Voraussetzungen: man muss vorher wissen, wie viele Cluster man denn haben will und damit sein "k" festlegen. Wenn man für k aber keinen guten Wert raten kann, sollte man vorher andere Verfahren zum Clustering anwenden, die selbst eine Cluster-Anzahl ausgeben, z.B. Canopy Clustering. Und dann kann man danach k-Means mit dem k und den Initialwerten für die Centroiden starten.
Und noch was: je nach Wahl der Anfangs-Centroiden muss das Clustering durch k-Means nicht optimal sein, sondern kann zu einem lokalen Minimum konvergieren. Abhilfe: k-Means mehrfach starten mit verschiedenen Initialwerten.
Und noch: k-Means kann keine überlappenden Cluster bilden sowie braucht viel Rechenkapazität. Alternative: Canopy Clustering als Vorverarbeitungsschritt. Und dann k-Means.
Richtig gute Erklärung über K-means!
Gute Erklärung, schaue jetzt die weiterführenden Videos an :)
Super erklärt und visualisiert vielen dank 👍
Und der Fischer ist genau so schlau wie vorher :DDD
Aber gut erklärt!
Gute Erklärung! Nach der decision-boundary hat es *klick* gemacht
Super erklärt, danke!
schreibe normalerweise nie kommis aber du hast es dir verdient
super erklärung!
ich verstehe nicht ganz, von welchem merkmal die beiden mittelpunkte waren?
Sehr gute Erklärung
sehr gutes Video
Sehr gut erklärt!!!!!!!
sehr gute erklärung, danke
Hat jemand den Link zum Vor- Nachteil Video ?
#THX
Das mit der Linie funktioniert aber nur bei 2 Kategorien, oder?
Naja, bei 3 Kategorien sind es 3 Linien. Bei 4 Kategorien sind es prinzipiell 6 Linien (immer für Paare aus den 4 Centroiden.). Und dann muss man damit passend den Raum aufteilen.
Anderes Video erwähnt, aber weder in der Beschreibung noch im Video verlinkt?
Ich wette das kannst du besser! ;-)
Danke!
WOW. gänsehaut! was musss man studieren um sich damit zu beschäftigen????
Klasse Erklärung, würde dich nur bitten, nächstes Mal eine andere Farbe zu benutzen, für jemanden, der Rot und Grün schwer unterscheidet, ist die Grafik nicht lesbar.
Thunfische im See, idk about that one :D aber gute Erklärung
Thunfisch & Lachs.... ich sehe Karpfen
Rot Grünschwäche lässt grüßen :(
rote und grüne punkte als Unterscheidung "clever" gewählt ... aber an sonst ganz gut oberflächlich erklärt