AKIRA.IPAS-AI.COM · CLUSTERING VISUAL FIELD GUIDE

分群方法・流體圖鑑

⚠ 此裝置不支援 WebGL,無法顯示 GPU 流體模擬。
下方資訊面板仍可正常瀏覽 7 種分群方法的重點整理。
滑鼠 / 手指拖曳可攪動流體
← → 切換 · WEBGL FLUID

📝 iPAS 考點提醒

分群家族是 iPAS 初級科目二與中級科目三的固定考區。常見考法:K-means 的迭代步驟、要先指定 k、對初始群心與離群值敏感、只適合球形群;階層式分群用樹狀圖決定切幾群、不必事先指定 k;DBSCAN 靠 ε 與 MinPts 找密度相連的群、能抓任意形狀並標出雜訊點;GMM 是軟分群、輸出各群機率,K-means 可視為其特例。選 k 的方法:手肘法、輪廓係數(−1~1,越接近 1 越好)。易混點:分群沒有標籤,評估用內部指標;環形、月牙形資料 K-means 會失敗,要改密度或譜分群。情境題長相:「資料含大量雜訊且群形狀不規則,較適合的分群法?」答 DBSCAN。

想練情境題與詳解 → AI 學習與考證地圖

❓ 常見問題

分群和分類差在哪?

分類是監督式(有標準答案的標籤);分群是非監督式,資料沒有標籤,讓演算法自己把相似的樣本歸成一群。

K-means 的 k 要怎麼選?

常用手肘法(k vs SSE 找轉折點)與輪廓係數(越接近 1 越好)互相驗證;也可依業務需求直接指定。

DBSCAN 比 K-means 好在哪?

不必指定 k、能抓任意形狀的群、還會把離群點標成雜訊;但密度差異大的資料,單一 ε 參數難以兼顧(可改用 HDBSCAN)。

GMM 和 K-means 是什麼關係?

GMM 用多個高斯分布擬合資料、輸出隸屬「機率」(軟分群);K-means 可視為 GMM 的特例(等方差、硬指派)。

什麼情況 K-means 會失敗?

環形、月牙形等非球形群,或群密度差異大時。這類資料改用 DBSCAN、譜分群等密度/圖形方法。

🧭 相關主題

← 返回 AI 學習與考證地圖