Algorithmes d'apprentissage automatiqueIntermediate
Clustering K-Means
Algorithme fondamental d'apprentissage automatique non supervisé pour partitionner les données en k clusters. Assigne itérativement les points aux centroïdes les plus proches et met à jour les positions des centroïdes. Largement utilisé dans la segmentation client, la compression d'images et l'analyse exploratoire des données.
#machine-learning#clustering#unsupervised#k-means++#data-science
Complexity Analysis
Time (Average)
O(n × k × i × d)Expected case performance
Space
O(n + k)Memory requirements
Time (Best)
O(n × k × i × d)Best case performance
Time (Worst)
O(n × k × i × d)Worst case performance
11 data points
How it works
- • Partition n points into k clusters
- • Minimize within-cluster variance
- • Iterative algorithm
- • O(n × k × iterations) time complexity
- • Used in data mining and pattern recognition
Step: 1 / 0
500ms
SlowFast
Keyboard Shortcuts
Space Play/Pause← → StepR Reset1-4 Speed
Real-time Statistics
Algorithm Performance Metrics
Progress0%
Comparisons
0
Swaps
0
Array Accesses
0
Steps
1/ 0
Algorithm Visualization
Step 1 of 0
Initialize array to begin
Default
Comparing
Swapped
Sorted
Code Execution
Currently executing
Previously executed
Implementation