Ein iteratives unüberwachtes Clustering‑Verfahren, das n Datenpunkte in k Cluster partitioniert, indem es abwechselnd jeden Punkt dem nächstgelegenen Clusterzentroid zuordnet und die Zentroiden als Mittelwert der zugeordneten Punkte neu berechnet, bis die Zuordnungen stabil sind oder ein Abbruchkriterium erfüllt wird.

Prinzip

Optimiere ein nichtkonvexes Ziel (Summe quadratischer Abstände zu Clusterzentren) durch koordinatenweise Updates: Zuweisungsschritt (Labeln nach nächstem Zentroid) und Aktualisierungsschritt (Zentroiden neu berechnen); das Verfahren verringert das Ziel monoton, konvergiert jedoch möglicherweise zu lokalen Minima, abhängig von der Initialisierung.

Demonstration

Bei einem 2D‑Datensatz und k=3: drei Zentroiden initialisieren (zufällig oder mit k‑means++), jeden Punkt dem nächsten Zentroid zuordnen, Zentroiden als Mittelwerte der zugeordneten Punkte neu berechnen und iterieren; Cluster bilden sich um dichte Regionen, können aber je nach Form und k gespalten oder zusammengezogen werden.

Fehlanwendung

k‑means auf nicht‑euklidische Daten anwenden, kategoriale Attribute ohne Kodierung verwenden, Cluster sehr unterschiedlicher Größe oder nichtkonvexer Form erwarten, oder ein ungeeignetes k wählen führt zu irreführenden Clustern und zu Zentroid‑Kollaps oder leeren Clustern.

Konsequenz

Erzeugt ein einfaches, skalierbares Clustering, das in der Praxis schnell und durch Zentroiden interpretierbar ist; Ergebnisse sind jedoch empfindlich gegenüber k und Initialisierung, voraussetzen sphärische euklidische Cluster und erfassen keine beliebig geformten oder hierarchischen Strukturen ohne Modifikationen.

Umkehrung

Jeden Punkt als eigenes Cluster behandeln (k=n) oder alle Punkte in ein Cluster zusammenfassen (k=1) sind triviale Umkehrungen: Sie minimieren bestimmte Terme des Ziels, entfernen aber sinnvolle Gruppierungsinformationen.

Abgrenzung

Gedacht für numerische euklidische Räume mit vorgegebenem k; schließt direkte Anwendung auf rein kategoriale Daten ohne Transformation, nicht‑euklidische Distanzmetriken (sofern nicht angepasst) und probabilistische Clustermodelle, in denen Varianzstruktur wichtig ist (stattdessen GMM verwenden), aus.

Semantische Spannung

Wird oft mit anderen zentroidbasierten Methoden oder Gaußschen Mischmodellen verwechselt; k‑means ist zentroidbasiert mit harten Zuordnungen, minimiert quadrierte euklidische Abstände, während GMMs weiche Wahrscheinlichkeiten zuweisen und Kovarianzen modellieren, was andere Kompromisse bringt.

Synthese

k‑Means‑Clustering wechselt zwischen Zuordnung zum nächstgelegenen Zentroid und Neuberechnung der Zentroiden, um die innercluster Varianz zu verringern: eine schnelle, zentroidgetriebene Partitionierungsmethode, geeignet für annähernd sphärische euklidische Cluster, aber anfällig gegenüber Initialisierung, Wahl von k und nichtkonvexen Formen.