PL 
EnglishDomyślny
Українська🤖 Grupowanie K-średnich — wizualizator uczenia maszynowego
Interaktywny wizualizator grupowania K-średnich z obszarami Voronoi, inicjalizacją K-Means++, śladami centroidów i metodą łokcia. Generuj zbiory blobs, half-moons lub pierścienie, klikaj, by dodać punkty, i przechodź iteracja po iteracji.
O grupowaniu K-średnich
Ta symulacja wizualizuje K-średnich (K-Means), nienadzorowany algorytm dzielący zbiór punktów 2D na K grup. Powtarza on dwa kroki, aż centroidy przestaną się poruszać: przypisanie, w którym każdy punkt dołącza do najbliższego centroidu na podstawie kwadratu odległości euklidesowej, oraz aktualizację, w której każdy centroid przesuwa się do średniej pozycji przypisanych mu punktów. Zacieniowane tło Voronoi pokazuje obszar aktualnie należący do każdego centroidu, a zbieżność jest ogłaszana, gdy przemieszczenie centroidów spada poniżej niewielkiego progu.
Suwak K ustala liczbę klastrów (od 2 do 8); Step wykonuje jedną iterację, Run uruchamia je automatycznie w pętli, a Reset czyści przypisania. Przełączniki kontrolują nakładkę Voronoi, ślady centroidów oraz inicjalizację K-Means++. Generatory tworzą dane typu blobs, half-moons oraz pierścienie, a panel Elbow (metoda łokcia) przedstawia sumę kwadratów wewnątrz klastra (WCSS) w zależności od K. K-średnich stanowi podstawę segmentacji klientów, kwantyzacji kolorów obrazów oraz grupowania dokumentów.
Najczęściej zadawane pytania
Czym jest grupowanie K-średnich?
K-średnich to algorytm uczenia nienadzorowanego, który dzieli nieoznakowane dane na K grup tak, aby punkty w obrębie klastra były jak najbliżej siebie. Robi to, wyznaczając K centroidów (środków klastrów) i przypisując każdy punkt do najbliższego z nich. Tutaj możesz dodawać punkty, wybierać K i obserwować, jak centroidy osiadają na swoich miejscach.
Jak właściwie działa ten algorytm?
Powtarza dwa kroki. Najpierw każdy punkt zostaje przypisany do najbliższego centroidu na podstawie kwadratu odległości euklidesowej. Następnie każdy centroid jest przesuwany do średniej pozycji przypisanych mu punktów. Te dwa kroki powtarzają się na przemian, a całkowity rozrzut zmniejsza się z każdą rundą, aż centroidy niemal przestają się poruszać — wówczas algorytm osiąga zbieżność.
Do czego służą elementy sterujące na tej stronie?
Suwak K ustala liczbę klastrów (od 2 do 8). Step wykonuje jedną iterację; Run animuje iteracje co 300 ms; Reset czyści przypisania. Przełączniki włączają lub wyłączają obszary Voronoi, przerywane ślady centroidów oraz inicjalizację K-Means++. Przyciski danych generują zestawy punktów typu blobs, half-moons lub pierścienie, a dodatkowo możesz kliknąć na płótnie, by dodać punkty ręcznie.
Czym jest WCSS i co pokazuje panel Status?
WCSS to suma kwadratów odległości wewnątrz klastra: całkowita kwadratowa odległość od każdego punktu do przypisanego mu centroidu. Niższe WCSS oznacza bardziej zwarte klastry. Panel Status pokazuje liczbę punktów, bieżącą iterację, aktualne WCSS (wyrażone w tysiącach) oraz informację, czy algorytm osiągnął zbieżność.
Czym jest metoda łokcia pokazana w panelu bocznym?
Metoda łokcia pomaga wybrać rozsądną wartość K. Uruchamia K-średnich dla K od 2 do 8 i przedstawia wynikowe WCSS w postaci słupków. WCSS zawsze maleje wraz ze wzrostem K, ale tempo poprawy gwałtownie zwalnia w punkcie przypominającym łokieć na krzywej. To zagięcie zwykle wskazuje dobry kompromis między dopasowaniem a prostotą.
Czym różni się inicjalizacja K-Means++ od losowej?
Inicjalizacja losowa po prostu wybiera K istniejących punktów jako startowe centroidy, co może umieścić kilka z nich blisko siebie i prowadzić do słabych wyników. K-Means++ rozprasza je: po losowym wyborze pierwszego centroidu każdy kolejny jest wybierany z prawdopodobieństwem proporcjonalnym do kwadratu jego odległości od najbliższego istniejącego centroidu, co daje szybszą i bardziej niezawodną zbieżność.
Czym są obszary Voronoi i przerywane linie?
Delikatne kolorowe tło pokazuje obszary Voronoi: każdy piksel jest zabarwiony kolorem najbliższego centroidu, dzięki czemu granice ujawniają linię podziału między klastrami. Przerywane linie to ślady centroidów, pokazujące trasę, jaką każdy centroid przebywa od pozycji startowej do ostatecznego miejsca spoczynku w kolejnych iteracjach.
Czy K-średnich dobrze poradzi sobie z kształtami half-moons i pierścieni?
Często nie, i właśnie o to chodzi w ich dodaniu. K-średnich zakłada mniej więcej okrągłe, podobnej wielkości klastry, ponieważ opiera się na odległości od pojedynczego środka. Dane w kształcie half-moons oraz współśrodkowych pierścieni są niewypukłe, więc K-średnich zwykle dzieli je niezgrabnie. Ilustrują one sytuacje, w których lepiej sprawdziłyby się metody oparte na gęstości lub grafach.
Dlaczego te same dane mogą dawać różne wyniki przy każdym uruchomieniu?
K-średnich jest wrażliwy na centroidy startowe, a inicjalizacja jest tu losowa. Różne punkty startowe mogą osiadać w różnych minimach lokalnych, więc WCSS i ostateczne grupowania mogą się różnić między uruchomieniami. K-Means++ zmniejsza tę zmienność, a w praktyce analitycy uruchamiają algorytm kilkukrotnie i zachowują wynik z najniższym WCSS.
Gdzie K-średnich jest wykorzystywany w praktyce?
To jedna z najczęściej stosowanych metod grupowania. Zastosowania obejmują segmentację klientów i rynku, kompresję obrazów poprzez redukcję do K reprezentatywnych kolorów, grupowanie dokumentów lub wyników wyszukiwania według tematu, wykrywanie anomalii oraz wstępne przetwarzanie danych przed innymi modelami uczenia maszynowego. Jego szybkość i prostota sprawiają, że jest częstym pierwszym wyborem.