Başlatma

KMeans başlatma yöntemi k-means++ varsayılan olarak kullanılır.

Başlatmanın önemi

Lloyd algoritması başlangıç merkezlerine bağlıdır. Kötü başlangıç (örneğin iki merkezin aynı gerçek kümeye düşmesi) yerel bir en iyide takılır: bir küme ikiye bölünür, iki küme birleşir.

for rs in range(3):
    km = KMeans(n_clusters=5, init="random", n_init=1, random_state=rs).fit(X)
    print(rs, round(km.inertia_))   # tohuma göre farklı sonuç

Bu yüzden başlatma yöntemi ve tekrar sayısı KMeans'in en önemli ayarlarıdır.

k-means++

scikit-learn'ün varsayılan başlatması k-means++'tır: ilk merkez rastgele seçilir, sonraki her merkez mevcut merkezlere uzak noktalardan, uzaklığın karesiyle orantılı olasılıkla seçilir. Merkezler baştan yayılmış olur:

km = KMeans(n_clusters=5, init="k-means++", n_init=1, random_state=0)
# init="random": örnekler arasından düzgün rastgele

k-means++ hem daha iyi çözüm hem de genellikle daha az tur sağlar.

Uygulama Başlatmaları karşılaştır

Tohum 0-9 için init="random" ve init="k-means++" ile birer n_init=1 KMeans (5 küme) eğit. Her yöntem için en kötü (en büyük) inertia'yı round ile tam sayı olarak aynı satırda yazdır (önce random).

Örnek çözümü göster

import numpy as np
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans

X, _ = make_blobs(n_samples=500, centers=5, cluster_std=1.0, random_state=3)

kotu = []
for init in ["random", "k-means++"]:
    kotu.append(round(max(KMeans(n_clusters=5, init=init, n_init=1, random_state=rs).fit(X).inertia_ for rs in range(10))))
print(*kotu)

Kendini test et

Rastgele başlatmanın tipik hatası nedir?
- Hata vermesi
- İki merkezin aynı kümeye düşmesi
- Algoritmanın yakınsamaması
- Merkezlerin silinmesi
Cevabı göster

İki merkezin aynı kümeye düşmesi — Bu durumda bir gerçek küme bölünür, başka bir yerde iki küme birleşir.

Merkezleri yayılmış biçimde başlat.

km = KMeans(n_clusters=5, init=____)

Cevabı göster

km = KMeans(n_clusters=5, init="k-means++")

Başlatmaları eşleştir.

init="random"

Düzgün rastgele örnek
init="k-means++"

Uzaklıkla orantılı seçim
kötü başlangıç

Yerel en iyi
n_iter_

Gereken tur

Sıradaki ders: n_init

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler