1.
K-means
Clustering

2.
K-means Clustering
◍K-means การจัดกลุ่มแบบ K-means หรือเรียกอีกอย่างหนึ่งว่า การวิเคราะห์กลุ่มแบบไม่เป็น ขั้นตอน
(Nonhierarchical Cluster Analysis) หรือ การแบ่งส่วน (Partioning)
◍K-means เป็นอัลกอริทึมเทคนิคการเรียนรู้โดยไม่มีผู้สอนที่ง่ายที่สุด เพราะเป็น การแก้ปัญหาการจัดกลุ่มที่รู้จัก
กันทั่วไป โดยอัลกอริทึม K-Means จะตัดแบ่ง (Partition) วัตถุออกเป็น K กลุ่ม และแทนค่าแต่ละ
กลุ่มด้วยค่าเฉลี่ยของกลุ่ม ซึ่งใช้เป็นจุดศูนย์กลาง (centroid) ของกลุ่มในการวัดระยะห่างของข้อมูลในกลุ่ม
เดียวกัน

3.
“
วิธีการ
1.กำหนดหรือสุ่มค่ำเริ่มต ้น จำนวน k ค่ำ(กลุ่ม) และกำหนดจุด ศูนย์กลำงเริ่มต ้น k จุด
เรียกว่ำ cluster centers หรือ(centroid)
2. นำวัตถุทั้งหมดจัดเข ้ำกลุ่ม โดยทำกำรหำค่ำระยะห่ำงระหว่ำงข ้อมูล กับจุดศูนย์กลำง
หำกข ้อมูลไหนใกล ้ค่ำจุดศูนย์กลำงตัวไหนที่สุดอยู่ กลุ่มนั้น
3. หำค่ำเฉลี่ย แต่ละกลุ่ม ให ้เป็นค่ำจุดศูนย์กลำงใหม่
4. ทำซ้ำข ้อ 2 จนกระทั่งค่ำเฉลี่ยหรือจุดศูนย์กลำงในแต่ละกลุ่มจะไม่ เปลี่ยนแปลงจึง
หยุดทำ
วิธีการทา K-Mean Clustering

4.
ตัวอย่างการทา K-Mean Clustering

5.
ตัวอย่างการทา K-Mean Clustering
◍สุ่มค่าเริ่มต้น จานวน k ค่า เรียกว่า cluster centers (centroid)
◍สมมติ k =3 แสดงว่า c1,c2และc3 เป็น centroidที่เราสุ่มขึ้นมาc1(2, 10),c2(5,8)
และ c3(1,2)

6.
ตัวอย่างการทา K-Mean Clustering
ขั้นตอนที่ 1
◍หาความห่างกันระหว่างข้อมูล 2 ข้อมูล คือ หาความห่างจากข้อมูลA=(x1,y1)และcentroid =(x2,y2)
โดยใช้สูตรEuclidean ดังนี้
◍และนาไปใส่ในตาราง
หรือ

7.
ตัวอย่างการทา K-Mean Clustering
ขั้นตอนที่ 2
หาระยะห่างระหว่างข้อมูลกับจุดศูนย์กลาง (ตัวอย่างบางชุดข้อมูล)

8.
ตัวอย่างการทา K-Mean Clustering
เมื่อใส่ข้อมูลในตารางจะได้การจัดกลุ่มข้อมูลดังต่อไปนี้ และนาไปสร้างกลุ่มใหม่
Point c1(2,10) c2(5,8) c3(1,2) Cluster
A1 (2,10) 0.00 3.61 8.06 1
A2 (2,5) 5.00 4.24 3.16 3
A3 (8,4) 8.49 5.00 7.29 2
A4 (5,8) 3.61 0.00 7.21 2
A5 (7,5) 7.07 3.60 6.71 2
A6 (6,4) 7.21 4.12 5.39 2
A7 (1,2) 8.06 7.21 0.00 3
A8 (4,9) 2.24 1.41 7.62 2

9.
ตัวอย่างการทา K-Mean Clustering
◍นามาสร้างกลุ่มใหม่
◍จะได้การจัดกลุ่มใหม่ดังภาพ
Custer 1
A1 (2,10)
Custer 2
A3(8,4)
A4(5,8)
A5(7,5)
A6(6,4)
Custer 3
A2(2,5)
A8(1,2)

10.
ตัวอย่างการทา K-Mean Clustering
ขั้นตอนที่ 3
หาค่าเฉลี่ยแต่ละกลุ่มให้เป็น ค่าจุดศูนย์กลางใหม่
สาหรับCluster 1 มีจุดเดียวคือ A1(2, 10) แสดงว่า C1(2,10) ยังคงเดิม
สาหรับ Cluster 2 มี 5 จุดอยู่กลุ่มเดียวกัน เพราะฉะนั้นหา C2 ใหม่ ( (8+5+7+6+4)/5, (4+8+5+4+9)/5 ) = C2(6,6)
สาหรับ Cluster 3 มี 2 จุดอยู่กลุ่มเดียวกัน ( (2+1)/2, (5+2)/2 ) =C3(1.5,3.5)

11.
ตัวอย่างการทา K-Mean Clustering
รอบที่ 2 ทาตามวิธีที่ 1-4 จะได้ผลลัพธ์ดังนี้
Point c1(2,10) c2(6,6) c3(1.5,3.5) Cluster
A1 (2,10) 0.00 5.66 6.52 1
A2 (2,5) 5.00 4.12 1.58 3
A3 (8,4) 8.49 2.83 6.52 2
A4 (5,8) 3.60 2.24 5.70 2
A5 (7,5) 7.07 1.41 5.70 2
A6 (6,4) 7.21 2.00 4.53 2
A7 (1,2) 8.06 6.40 1.58 3
A8 (4,9) 2.24 3.61 6.04 1

12.
ตัวอย่างการทา K-Mean Clustering
รอบที่ 2 Custer 1
A1(2,10)
A8(4,9)
Custer 2
A3(8,4)
A4(5,8)
A5(7,5)
A6(6,4)
Custer 3
A2(2,5)
A7(1,2)
สร้างกลุ่มใหม่
หาจุดศูนย์กลางใหม่จะได้
C1=(2+4/2,10+9/2)=(3,9.5)
C2=(6.5,5.25)
C3=(1.5,3.5)

13.
ตัวอย่างการทา K-Mean Clustering
รอบที่ 3
Point c1(3,9.5) c2(6.5,5.25) c3(1.5,3.5) Clust
er
A1 (2,10) 1.11 6.54 6.52 1
A2 (2,5) 4.61 4.50 1.58 3
A3 (8,4) 7.43 1.96 6.52 2
A4 (5,8) 2.50 3.13 5.70 1
A5 (7,5) 6.02 0.56 5.70 2
A6 (6,4) 6.26 1.35 4.53 2
A7 (1,2) 7.76 6.39 1.58 3
A8 (4,9) 1.12 4.50 6.04 1

14.
ตัวอย่างการทา K-Mean Clustering
รอบที่ 3 สร้างกลุ่มใหม่
หาจุดศูนย์กลางใหม่จะได้
C1=(3.67,9)
C2=(7,4.33)
C3=(1.5,3.5)
Custer 1
A1(2,10)
A8(4,9)
A4(5,8)
Custer 2
A3(8,4)
A4(5,8)
A6(6,4)
Custer 3
A2(2,5)
A7(1,2)

15.
ตัวอย่างการทา K-Mean Clustering
รอบที่ 4
Point c1(3.67,9) c2(7,4.33) c3(1.5,3.5) Cluster
A1 (2,10) 1.94 7.56 6.52 1
A2 (2,5) 4.33 5.04 1.58 3
A3 (8,4) 6.62 1.05 6.52 2
A4 (5,8) 1.67 4.18 5.70 1
A5 (7,5) 5.21 0.67 5.70 2
A6 (6,4) 5.52 1.05 4.53 2
A7 (1,2) 7.49 6.44 1.58 3
A8 (4,9) 0.33 5.55 6.04 1

16.
ตัวอย่างการทา K-Mean Clustering
รอบที่ 4 Custer 1
A1(2,10)
A8(4,9)
A4(5,8)
Custer 2
A3(8,4)
A4(5,8)
A6(6,4)
Custer 3
A2(2,5)
A7(1,2)
Stop
**เมื่อไม่มีการเปลี่ยนแปลงให้หยุดการทางาน**
สร้างกลุ่มใหม่
หาจุดศูนย์กลางใหม่จะได้
C1=(3.67,9)
C2=(7,4.33)
C3=(1.5,3.5)

17.
ตัวอย่างการทา K-Mean Clustering
ผลลัพธ์ จะได้ผลลัพธ์ดังภาพ
ก่อน ผลลัพธ ์

18.
“
1.เมื่อจำนวนข ้อมูลมีจำนวนมำก และมีจำนวนกลุ่มน้อย กำรหำ ค่ำเฉลี่ยแบบ K-
means อำจจะคำนวณได ้เร็วกว่ำ กำรจัดกลุ่ม แบบอื่น ๆ (Hierarchical)
2.ขั้นตอนกำรหำค่ำเฉลี่ยแบบ K-means อำจจะได ้สมำชิก ภำยในกลุ่ม หนำแน่น
กว่ำกำรจัดกลุ่มแบบ Hierarchical โดยเฉพำะถ ้ำกลุ่มเป็นวงกลม
ข้อดีของการทา K-Mean Clustering

19.
“
1. กำรหำค่ำ K ที่เหมำะสมคำดเดำได ้ยำก
2. ทำงำนได ้ไม่ดีถ ้ำกลุ่มข ้อมูลไม่เป็นรูปวงกลม
3. มีข ้อจำกัดในเรื่องของขนำด ควำมหนำแน่น และรูปร่ำง
ข้อด้อยของการทา K-Mean Clustering

20.
สมาชิก
◍1.นำงสำวภัทรพรแสงสัมพันธ์ รหัสนิสิต 57160198
◍2.นำงสำวชำลินีศิลำรัตน์ รหัสนิสิต 57160406
◍3.นำงสำวณิชำนันทน์แดงมำ รหัสนิสิต 57160410
◍4.นำงสำวชลิดำพงศ์จริยำ รหัสนิสิต 57160566
◍5.นำงสำวเบญจมำศแควภูเขียว รหัสนิสิต 57160580
◍6.นำงสำวปภัสวรรณคำทูม รหัสนิสิต 57160583