EN 
Українська
Polski
Español
Deutsch
日本語
Italiano
Português (BR)
Français
العربية
Nederlands
中文
한국어
हिन्दी
Türkçe
Tiếng Việt
Русский
Bahasa Indonesia
فارسی
বাংলা
ไทย
Filipino
Kiswahili
اردو
Bahasa Melayu
தமிழ்
עברית
Ελληνικά
ਪੰਜਾਬੀ
አማርኛ
မြန်မာဘာသာ
ខ្មែរ
ქართული
नेपाली
Монгол хэл
Հայերեն
සිංහල
ລາວ
Čeština
Română
Magyar
Български
Svenska
Dansk
Suomi
Norsk
Slovenčina
Hrvatski
Српски
Slovenščina
Lietuvių
Latviešu
Eesti
Íslenska
Shqip
Македонски
Bosanski
Malti
Azərbaycanca
Қазақша
O'zbekcha
Тоҷикӣ
Кыргызча🤖 K-Means-Clustering — Visualisierer für Maschinelles Lernen
Visualisieren Sie K-Means-Clustering Schritt für Schritt. Klicken Sie, um Punkte hinzuzufügen, beobachten Sie, wie Zentroiden konvergieren, erkunden Sie die Ellbogen-Methode zur Bestimmung des optimalen K und wechseln Sie zwischen zufälliger und K-Means++-Initialisierung.
Über K-Means-Clustering
Diese Simulation visualisiert K-Means, einen unüberwachten Algorithmus, der eine Menge von 2D-Punkten in K Gruppen aufteilt. Er wechselt zwei Schritte ab, bis die Zentroiden sich nicht mehr bewegen: Zuordnung, bei der sich jeder Punkt anhand der quadrierten euklidischen Distanz dem nächstgelegenen Zentroid anschließt, und Aktualisierung, bei der jeder Zentroid zur mittleren Position seiner zugewiesenen Punkte verschoben wird. Der schattierte Voronoi-Hintergrund zeigt die Region, die jeder Zentroid aktuell besitzt, und Konvergenz wird erklärt, sobald die Zentroidbewegung unter einen winzigen Schwellenwert fällt.
Der K-Regler legt die Anzahl der Cluster fest (2 bis 8); Schritt führt eine Iteration aus, Start läuft automatisch in einer Schleife, und Zurücksetzen löscht die Zuordnung. Umschalter steuern die Voronoi-Überlagerung, die Zentroid-Spuren und die K-Means++-Initialisierung. Generatoren erzeugen Punktwolken-, Halbmond- und Ringdaten, während das Ellbogen-Feld die Summe der quadrierten Abstände innerhalb der Cluster (WCSS) gegen K darstellt. K-Means bildet die Grundlage für Kundensegmentierung, Farbquantisierung von Bildern und Dokumentengruppierung.
Häufig gestellte Fragen
Was ist K-Means-Clustering?
K-Means ist ein unüberwachter Lernalgorithmus, der unbeschriftete Daten in K Gruppen aufteilt, sodass Punkte innerhalb eines Clusters möglichst nahe beieinanderliegen. Er findet dazu K Zentroiden (Clusterzentren) und weist jeden Punkt seinem nächstgelegenen zu. Hier können Sie Punkte hinzufügen, K wählen und beobachten, wie sich die Zentroiden einpendeln.
Wie funktioniert der Algorithmus genau?
Er wiederholt zwei Schritte. Zuerst wird jeder Punkt dem nächstgelegenen Zentroid anhand der quadrierten euklidischen Distanz zugeordnet. Danach wird jeder Zentroid auf den Mittelwert der ihm zugewiesenen Punkte verschoben. Diese beiden Schritte wechseln sich ab, und die gesamte Streuung schrumpft mit jeder Runde, bis sich die Zentroiden kaum noch bewegen — dann hat der Algorithmus konvergiert.
Was bewirken die Steuerelemente auf dieser Seite?
Der K-Regler legt die Clusteranzahl fest (2 bis 8). Schritt führt eine Iteration aus; Start animiert Iterationen alle 300 ms; Zurücksetzen löscht die Zuordnungen. Die Umschalter aktivieren oder deaktivieren die Voronoi-Regionen, die gestrichelten Zentroid-Spuren und die K-Means++-Initialisierung. Die Datenschaltflächen erzeugen Punktwolken-, Halbmond- oder Ring-Datensätze, und Sie können auch auf die Zeichenfläche klicken, um Punkte von Hand hinzuzufügen.
Was ist WCSS, und was zeigt das Statusfeld?
WCSS ist die Summe der quadrierten Abstände innerhalb der Cluster: die gesamte quadrierte Distanz jedes Punktes zu seinem zugewiesenen Zentroid. Ein niedrigerer WCSS-Wert bedeutet engere Cluster. Das Statusfeld zeigt die Punktzahl, die aktuelle Iteration, den aktuellen WCSS-Wert (in Tausend) und ob der Algorithmus konvergiert ist.
Was ist die in der Seitenleiste gezeigte Ellbogen-Methode?
Die Ellbogen-Methode hilft, ein sinnvolles K zu wählen. Sie führt K-Means für K von 2 bis 8 aus und stellt den resultierenden WCSS-Wert als Balken dar. WCSS sinkt immer, wenn K steigt, doch die Verbesserungsrate verlangsamt sich stark an einem Punkt, der wie ein Ellbogen in der Kurve aussieht. Dieser Knick markiert meist einen guten Kompromiss zwischen Anpassung und Einfachheit.
Wie unterscheidet sich die K-Means++-Initialisierung von der zufälligen?
Die zufällige Initialisierung wählt einfach K vorhandene Punkte als Start-Zentroiden, was mehrere davon nahe beieinander platzieren und zu schlechten Ergebnissen führen kann. K-Means++ verteilt sie gleichmäßiger: Nach einem zufälligen ersten Zentroid wird jeder weitere mit einer Wahrscheinlichkeit proportional zu seiner quadrierten Distanz zum nächstgelegenen vorhandenen Zentroid gewählt, was zu schnellerer und zuverlässigerer Konvergenz führt.
Was sind die Voronoi-Regionen und die gestrichelten Linien?
Der schwach eingefärbte Hintergrund zeigt Voronoi-Regionen: Jedes Pixel wird entsprechend seinem nächstgelegenen Zentroid eingefärbt, sodass die Grenzen die Entscheidungsgrenze zwischen den Clustern zeigen. Die gestrichelten Linien sind Zentroid-Spuren, die den Weg jedes Zentroids von seiner Startposition bis zu seiner endgültigen Position über die Iterationen hinweg nachzeichnen.
Kommt K-Means mit den Halbmond- und Ringformen gut zurecht?
Oft nicht, und genau das ist der Sinn, sie einzubeziehen. K-Means setzt annähernd runde, ähnlich große Cluster voraus, da es auf der Distanz zu einem einzelnen Zentrum beruht. Die Halbmond- und konzentrischen Ringdaten sind nicht konvex, sodass K-Means sie eher ungeschickt zerschneidet. Sie veranschaulichen, wo dichte- oder graphbasierte Methoden besser abschneiden würden.
Warum können dieselben Daten bei jedem Durchlauf unterschiedliche Ergebnisse liefern?
K-Means reagiert empfindlich auf seine Start-Zentroiden, und die Initialisierung ist hier zufällig. Unterschiedliche Startpunkte können sich in unterschiedlichen lokalen Optima einpendeln, sodass WCSS und die endgültigen Gruppierungen zwischen Durchläufen variieren können. K-Means++ verringert diese Variabilität, und in der Praxis lassen Analysten den Algorithmus mehrmals laufen und behalten das Ergebnis mit dem niedrigsten WCSS.
Wo wird K-Means in der Praxis eingesetzt?
Es ist eine der am häufigsten verwendeten Clustering-Methoden. Anwendungen umfassen Kunden- und Marktsegmentierung, Bildkomprimierung durch Reduktion auf K repräsentative Farben, Gruppierung von Dokumenten oder Suchergebnissen nach Thema, Anomalieerkennung und Datenvorverarbeitung vor anderen Modellen des maschinellen Lernens. Ihre Geschwindigkeit und Einfachheit machen sie zu einer häufigen ersten Wahl.
Voronoi-Regionen und Zentroid-Spuren aktualisieren sich, während K-Means++ Punktwolken-, Halbmond- oder Ring-Datensätze durchläuft — klicken Sie, um eigene Punkte zu platzieren.
3D · Three.js / WebGL-Renderer · 30 FPS-Ziel · läuft vollständig clientseitig, keine Installation nötig