Clusterbildung mit K-Means-Algorithmus

Zurück zur interaktiven Anwendung zur K-Means-Clustering-Visualisierung

Starte den Prozess mehrfach neu und beobachte, welchen Einfluss unterschiedliche Startpositionen auf das Ergebnis haben.

Welche der folgenden Aussagen über den k-Means-Algorithmus sind korrekt und welche nicht?

  • Richtig
  • Falsch
  • Unterschiedliche Startpositionen können zu unterschiedlichen Clustering-Ergebnissen führen.
  • Mehrfache Durchläufe mit unterschiedlichen Starts verbessern die Chance auf ein gutes Ergebnis.
  • k-Means garantiert immer das globale Optimum.
  • Der K-Means-Algorithmus verwendet die Farbe der Punkte zur Zuweisung dieser zu den Clustern.
  • Hauptziel des k-Means-Algorithmus ist es, Datenpunkte in Clustern zu gruppieren.
  • k-Means ist ein überwachtes Lernverfahren.
  • Die Zentren werden nach jeder Iteration neu berechnet.
Klicke die passende Paare nacheinander an!