Howtosignalprocessing
- Qual é o problema com o agrupamento K-Means?
- Kmeans pode ser usado para classificação de imagem?
- Como você supera as limitações do agrupamento K-Means?
Qual é o problema com o agrupamento K-Means?
K-means tem problemas de agrupamento de dados em que os clusters têm tamanhos e densidade variados. Para agrupar esses dados, você precisa generalizar o K-Means, conforme descrito na seção Vantagens. Clustering Outliers. Os centróides podem ser arrastados por outliers, ou outliers podem obter seu próprio cluster em vez de serem ignorados.
Kmeans pode ser usado para classificação de imagem?
Sim! O agrupamento K-Means pode ser usado para classificação de imagem do conjunto de dados MNIST. Aqui está como. O aglomerado de K-Means é um algoritmo de aprendizado sem supervisão que visa particionar N observações em k agrupamentos nos quais cada observação pertence ao cluster com o centróide mais próximo.
Como você supera as limitações do agrupamento K-Means?
Uma maneira de superar essas fraquezas é usar o agrupamento K-Mean apenas se houver muitos dados disponíveis. Para superar o problema dos valores extremos, podemos usar mediana em vez de média. Algumas pessoas apontaram que K significa que o agrupamento não pode ser usado para outros tipos de dados, em vez de dados quantitativos.
