K-Means Clustering
Partitionnement non supervisé from scratch
Enonce
Implémenter K-Means from scratch avec NumPy. Tester sur des données 2D synthétiques avec 3 clusters.
Signature attendue
def kmeans(X, k: int, max_iter: int) -> tuple:📖 Rappel de cours
L'algorithme K-Means partitionne $n$ points en $k$ clusters en minimisant l'inertie (somme des distances au centroïde).
Algorithme :
1. Initialiser $k$ centroïdes aléatoirement.
2. Assignation : chaque point → cluster du centroïde le plus proche.
3. Mise à jour : recalculer chaque centroïde = moyenne des points du cluster.
4. Répéter 2-3 jusqu'à convergence.
Objectif :
$\min \sum_{i=1}^{k}\sum_{x \in C_i} \|x - \mu_i\|^2$
← Exercices d'IA et d'apprentissage automatique en Python — CPGE
Exercices du meme theme
La correction commentee, les indices progressifs, l'execution du code dans le navigateur et la verification par l'IA sont reserves aux abonnes.