DE 
EnglishStandard
Українська
Polski
Español
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 — Interaktives maschinelles Lernen
Erkunden Sie k-means-Clustering interaktiv Schritt für Schritt: beobachten Sie, wie Zentroiden konvergieren, Voronoi-Regionen sich aktualisieren und die Trägheit (WCSS) sinkt. Klicken Sie, um Punkte hinzuzufügen, oder nutzen Sie vorgefertigte Datensätze.
Über K-Means-Clustering
Diese Simulation visualisiert k-means, einen klassischen unüberwachten Lernalgorithmus, der Punkte in k Gruppen aufteilt. Er wechselt zwischen zwei Schritten: jeden Punkt seinem nächsten Zentroiden zuweisen (mittels quadrierter euklidischer Distanz) und dann jeden Zentroiden zum Mittelwert seiner zugewiesenen Punkte verschieben. Dies wird wiederholt, bis sich die Zuweisungen nicht mehr ändern. Die schattierten Voronoi-Regionen zeigen das Gebiet jedes Zentroiden, und das Trägheitsdiagramm verfolgt die Within-Cluster Sum of Squares, WCSS = Σ|xᵢ − μ|².
Der k-Regler legt die Anzahl der Cluster fest (1 bis 8), während das Datensatzmenü Gauß-Blobs, konzentrische Kreise, zwei Monde, gleichverteiltes Rauschen oder einen eigenen Satz bietet, den Sie durch Klicken auf die Zeichenfläche erstellen. „Schritt“ führt eine Iteration aus, „Auto“ läuft fortlaufend, und „Zurücksetzen“ setzt die Zentroiden neu. Die Initialisierung nutzt k-means++, das die Startzentroiden für eine schnellere, zuverlässigere Konvergenz weiter verteilt. K-means bildet die Grundlage für Kundensegmentierung, Bildfarbquantisierung und Dokumentgruppierung.
Häufig gestellte Fragen
Was ist k-means-Clustering?
K-means ist ein unüberwachter Algorithmus, der Daten in k Cluster aufteilt, indem er die gesamte quadrierte Distanz zwischen Punkten und ihrem Clusterzentrum, dem Zentroiden, minimiert. Er ist unüberwacht, weil keine Labels vorgegeben werden; die Struktur wird allein anhand der Verteilung der Punkte entdeckt. Es ist eine der am weitesten verbreiteten Clustering-Methoden im maschinellen Lernen.
Wie funktioniert der Algorithmus Schritt für Schritt?
Zunächst werden k Zentroiden platziert, dann wird jeder Punkt seinem nächsten Zentroiden zugewiesen, und schließlich wird jeder Zentroid an die durchschnittliche Position der ihm zugewiesenen Punkte verschoben. Diese Zuweisungs- und Aktualisierungsschritte wiederholen sich, bis kein Punkt mehr den Cluster wechselt. In dieser Simulation führt jeder Druck auf „Schritt“ eine vollständige Iteration dieser Schleife aus.
Was bewirkt der k-Regler?
Der k-Regler legt fest, nach wie vielen Clustern der Algorithmus sucht, von 1 bis 8. Eine Änderung lädt den Datensatz neu und initialisiert die Zentroiden neu. Die richtige Wahl von k ist wichtig: zu wenige verschmelzen unterschiedliche Gruppen, zu viele zersplittern eine einzelne Gruppe.
Was ist Trägheit (Inertia) bzw. WCSS?
Die Trägheit, auch Within-Cluster Sum of Squares (WCSS) genannt, ist die Summe der quadrierten Distanzen von jedem Punkt zum Zentroiden seines Clusters. Die Formel lautet WCSS = Σ|xᵢ − μ|². K-means versucht, diesen Wert so klein wie möglich zu machen, und das Diagramm zeigt, wie er sinkt, während der Algorithmus konvergiert.
Was sind die schattierten Voronoi-Regionen?
Jede schattierte Region markiert den Bereich der Zeichenfläche, der näher an einem bestimmten Zentroiden liegt als an jedem anderen. Dies sind Voronoi-Zellen, und ihre Grenzen sind genau dort, wo ein Punkt von einem Cluster zum nächsten wechseln würde. Während sich die Zentroiden bei der Iteration bewegen, passen sich die Regionen entsprechend an.
Warum bewegen sich die Zentroiden nicht mehr?
Der Algorithmus ist konvergiert, wenn ein vollständiger Zuweisungsschritt keine Änderung am Cluster eines Punktes mehr bewirkt. In diesem Moment liegen die Zentroiden bereits im Mittelwert ihrer Punkte, sodass der Aktualisierungsschritt sie nicht weiter bewegen kann. Die Anzeige „Konvergiert“ wechselt auf „Ja“, und „Auto“ stoppt automatisch.
Was ist die k-means++-Initialisierung?
K-means++ ist eine klügere Methode zur Wahl der Startzentroiden. Nachdem der erste zufällig gewählt wurde, wird jeder weitere Zentroid mit einer Wahrscheinlichkeit proportional zu seiner quadrierten Distanz zum nächsten bereits vorhandenen Zentroiden gewählt, wodurch sie sich verteilen. Diese Simulation nutzt k-means++, was schlechte lokale Minima reduziert und meist in weniger Iterationen konvergiert.
Kommt k-means mit den Datensätzen „Kreise“ und „Monde“ zurecht?
Nicht gut. K-means geht von annähernd runden, ähnlich großen Clustern aus, da es auf der Distanz zu einem einzelnen Mittelpunkt beruht. Konzentrische Kreise und ineinandergreifende Monde lassen sich so nicht trennen, weshalb k-means sie in Segmente statt in ihre wahren Formen zerlegt. Sie sind enthalten, um diese wichtige Einschränkung zu zeigen.
Findet k-means immer das beste Clustering?
Nein. K-means konvergiert garantiert, aber nur zu einem lokalen Minimum der Trägheit, nicht zwangsläufig zum globalen Optimum. Das Ergebnis hängt von den Startzentroiden ab, weshalb unterschiedliche Zurücksetzungen unterschiedliche Ergebnisse liefern können. K-means++ hilft, beseitigt diese Empfindlichkeit aber nicht vollständig.
Wo wird k-means in der Praxis eingesetzt?
K-means wird für Kunden- und Marktsegmentierung, zur Bildkompression durch Reduktion auf eine kleine Palette repräsentativer Farben, zur thematischen Gruppierung von Dokumenten oder Nachrichtenartikeln sowie zur Erkennung von Anomalien, die weit von jedem Cluster entfernt liegen, eingesetzt. Seine Geschwindigkeit und Einfachheit machen es zu einer häufigen ersten Wahl für die explorative Datenanalyse.
Erkunden Sie k-means-Clustering Schritt für Schritt: beobachten Sie, wie Zentroiden konvergieren, Voronoi-Regionen sich aktualisieren und die Trägheit (WCSS) sinkt. Klicken Sie, um Punkte hinzuzufügen, oder wählen Sie einen vorgefertigten Datensatz.
3D · Three.js/WebGL-Renderer · Ziel: 60 FPS · läuft vollständig clientseitig, keine Installation nötig