K-Means is relatively an efficient

K-Means is relatively an efficient method. However, we need to specify the number of clusters, in advance and the final results are sensitive to initialization and often terminates at a local optimum. Unfortunately there is no global theoretical method to find the optimal number of clusters. A practical approach is to compare the outcomes of multiple runs with different k and choose the best one based on a predefined criterion. In general, a large k probably decreases the error but increases the risk of overfitting.

ผลลัพธ์ (ไทย) 1:

ถึงค่อนข้างเป็นวิธีมีประสิทธิภาพ อย่างไรก็ตาม เราจำเป็นต้องระบุหมายเลขของคลัสเตอร์ ล่วงและผลสุดท้ายมีความไวต่อการเริ่มต้น และมักจะสิ้นสุดลงที่สูงสุดในท้องถิ่น แต่มีวิธีทฤษฎีสากลหาหมายเลขที่ดีที่สุดของคลัสเตอร์ แนวทางปฏิบัติคือการ เปรียบเทียบผลลัพธ์ของการทำงานหลาย k แตกต่างกัน และเลือกหนึ่งที่ดีที่สุดตามเกณฑ์กำหนดไว้ล่วงหน้า ทั่วไป k ใหญ่อาจลดข้อผิดพลาด แต่เพิ่มความเสี่ยงของการ overfitting

ผลลัพธ์ (ไทย) 2:

K-หมายถึงคือค่อนข้างวิธีที่มีประสิทธิภาพ แต่เราจำเป็นต้องระบุจำนวนกลุ่มที่ล่วงหน้าและผลสุดท้ายมีความไวต่อการเริ่มต้นและมักจะยุติที่ดีที่สุดในท้องถิ่น แต่น่าเสียดายที่ไม่มีวิธีทฤษฎีโลกเพื่อหาจำนวนที่เหมาะสมของกลุ่ม วิธีการปฏิบัติคือการเปรียบเทียบผลของการทำงานกับหลาย K แตกต่างกันและเลือกที่ดีที่สุดบนพื้นฐานที่กำหนดไว้ล่วงหน้าเป็นเกณฑ์ โดยทั่วไป K ขนาดใหญ่อาจจะลดข้อผิดพลาด แต่เพิ่มความเสี่ยงของอิง

ผลลัพธ์ (ไทย) 3:

k-means ค่อนข้างเป็นวิธีที่มีประสิทธิภาพ อย่างไรก็ตาม เราต้องระบุจำนวนของกลุ่ม ล่วงหน้า และผลลัพธ์สุดท้ายคือ อ่อนไหวกับการเริ่มต้นและมักจะสิ้นสุดลงในท้องถิ่นที่เหมาะสม แต่น่าเสียดายที่ไม่มีทฤษฎีโลกวิธีการหาจำนวนที่เหมาะสมของคลัสเตอร์ วิธีการปฏิบัติคือการเปรียบเทียบผลของการรันหลาย k ที่แตกต่างกันและเลือกหนึ่งที่ดีที่สุดตามที่กำหนดไว้เป็นเกณฑ์ โดยทั่วไปขนาดใหญ่ K อาจลดข้อผิดพลาดแต่เพิ่มความเสี่ยงของ overfitting .