Memahami mengapa K-Means memerlukan jumlah cluster sejak awal.
Mengikuti proses assignment dan pembaruan centroid sampai konvergen.
Mengenali pengaruh titik awal, outlier, dan skala fitur terhadap hasil.
Bagaimana toko online tahu kamu termasuk tipe pembeli hemat, pemburu diskon, atau pelanggan premium jika tidak ada label? Salah satu pendekatan awal adalah clustering, dan K-Means adalah algoritma clustering yang paling mudah divisualisasikan.
Unsupervised learning singkat
K-Means bekerja tanpa label target. Ia tidak diberi jawaban benar. Tugasnya adalah mencari struktur: titik mana yang saling berdekatan dan bisa dianggap satu kelompok.
Ide dasar K-Means
Kita memilih jumlah cluster K. Algoritma lalu menempatkan centroid, yaitu pusat sementara tiap cluster. Setiap titik masuk ke centroid terdekat, centroid digeser ke rata-rata titik anggotanya, lalu proses diulang sampai stabil.
min sum ||x_i - mu_k||^2Tujuan K-Means adalah meminimalkan jarak kuadrat titik ke centroid cluster terdekat.Langkah algoritma
- Inisialisasi K centroid.
- Assign setiap titik ke centroid terdekat.
- Hitung ulang centroid sebagai rata-rata cluster.
- Ulangi sampai centroid tidak banyak bergerak.
Cara memilih K
Elbow method membantu membaca jumlah cluster yang masuk akal. Kita coba beberapa K, hitung inertia, lalu cari titik siku ketika penurunan error mulai melambat. Tetapi elbow bukan aturan mutlak; konteks data tetap penting.
Kelemahan K-Means
K-Means sensitif terhadap inisialisasi, skala fitur, dan bentuk cluster. Ia cenderung cocok untuk cluster yang relatif bulat. Untuk bentuk bulan sabit atau density tidak rata, metode lain bisa lebih cocok.
Buka lab K-Means, jalankan Step, dan amati centroid bergerak. Setelah itu coba PCA untuk mereduksi fitur sebelum clustering, atau bandingkan dengan KNN yang namanya mirip tetapi supervised.
Ringkasan praktis
- Ikuti perpindahan centroid dari tebakan awal sampai kelompok data terbentuk dan tidak lagi berubah.
- Periksa contoh dan batas metode sebelum menarik kesimpulan dari hasilnya.
- Gunakan lab interaktif untuk menguji satu perubahan pada satu waktu.
Pertanyaan yang sering muncul
Apa yang perlu disiapkan sebelum membaca?
Tidak ada prasyarat khusus. Istilah tentang clustering akan dijelaskan saat pertama kali digunakan.
Bagaimana cara menguji pemahaman ini?
Gunakan data kecil dan ubah satu parameter pada satu waktu. Setelah itu, buka eksperimen interaktifnya untuk melihat apakah intuisi kita sesuai dengan hasilnya.
scikit-learn Clustering Guide
Sumber berikut dapat dibuka untuk memeriksa konteks dan rujukan yang digunakan.
Buka sumber asli →