---
title: "K 均值分群（K-Means Clustering）"
slug: k-means-clustering
language: zh-TW
source: https://aiterms.tw/terms/k-means-clustering
updated_at: 2026-04-29
tags: [機器學習, AI基礎, 統計方法]
ipas_term: false
---

# K 均值分群（K-Means Clustering）

> **你有沒有一堆資料看起來很像，卻不知道該怎麼自己分成幾群？**
>
> 你可以把它想成先放幾個群中心，再讓資料自己靠近最近的中心，反覆調整到穩定。
>
> K 均值分群是一種將資料點分配到 K 個群集的演算法，透過反覆運算，將點分配到最近的群集中心，並更新中心位置，直到收斂

### 容易混淆
> **K 近鄰**
> K-Means 是無監督分群，K 近鄰是有標籤時拿鄰居投票。
>
> **DBSCAN**
> K-Means 先指定群數，DBSCAN 會自己找密度群，形狀也比較自由。

### 記住這句就好
> 先指定 K，再把點分到最近群中心。

### 實際案例
> **客戶分群**
> 電商把會員分成高消費、低頻次、沉睡客戶幾類，用來設計不同優惠。
>
> **色彩壓縮**
> 把圖片顏色從很多種縮成少數幾群，檔案變小，畫面仍大致保留。

### 算法與應用
> K-Means 的核心是「指派」與「更新」兩步反覆交替。你先選 K 個初始中心，再把資料分給最近的中心，接著重新算中心位置，直到中心不再明顯移動。K 值選得好不好，常常比算法本身更重要。

### 情境判斷
> **Q1（直覺題）：** 如果你現在遇到一個 客戶分群 的場景，這個概念會是第一個想到的工具嗎？
> → 看情況，但如果任務目標和這個概念的用途一致，就很可能是。核心還是先確認你要解決的是分類、分群、壓縮、檢索，還是最佳化。
>
> **Q2（判斷題）：** 如果你把它和 DBSCAN 一起用，結果反而變不穩，通常該怎麼想？
> → 看情況。先檢查資料分布、特徵定義和模型假設是否相容，很多時候不是概念本身有問題，而是使用條件不對，像距離尺度沒對齊、標註規則不一致，或輸入格式不合。

### iPAS 考題
> **出題方向：** 這類概念常考定義、差異和實務用法。
> **題目** 關於 K-Means 分群，下列何者正確？
> → **答案：C。** K-Means 的群中心是群內資料點的平均值，這是它更新中心的基本方式。A 錯在它屬於無監督學習，B 錯在 K 需要人先指定，D 錯在它對離群值其實很敏感。

### 常見問題
> **Q：K 均值分群 最容易跟 K 近鄰 混淆嗎？**
> K-Means 是無監督分群，K 近鄰是有標籤時拿鄰居投票。
>
> **Q：什麼情況會用到 K 均值分群？**
> 你可以把它想成先放幾個群中心，再讓資料自己靠近最近的中心，反覆調整到穩定。 實務上只要你要處理和這個概念相符的任務，就會用到它。
>
> **Q：初學者最常錯在哪裡？**
> K-Means 先指定群數，DBSCAN 會自己找密度群，形狀也比較自由。

### 相關術語
> - **非監督式學習**：讀完這個後，接著看它，可以把 K 均值分群 放回更完整的系統脈絡裡。
> - **機器學習**：讀完這個後，接著看它，可以把 K 均值分群 放回更完整的系統脈絡裡。
> - **密度分群**：讀完這個後，接著看它，可以把 K 均值分群 放回更完整的系統脈絡裡。
> - **主成分分析**：讀完這個後，接著看它，可以把 K 均值分群 放回更完整的系統脈絡裡。

---

來源：https://aiterms.tw/terms/k-means-clustering
快查頁：https://aiterms.tw/terms/k-means-clustering
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-k-means-clustering