机器学习——聚类算法

聚类的概念：
机器学习里面的聚类是无监督的学习问题，它的目标是为了感知样本间的相似度进行类别归纳。它可以用于潜在类别的预测以及数据压缩上去。潜在类别预测，比如说可以基于通过某些常听的音乐而将用户进行不同的分类。数据压缩则是指将样本进行归类后，就可以用比较少的的One-hot向量来代替原来的特别长的向量。
聚类，既可以作为一个单独的过程，也可以作为其他机器学习任务的预处理模块。
其实，在深度学习里面就十分流行这种先给样本聚类 压缩数据，然后把在压缩后的特征向量丢到网络去训练，这其实就是深度学习里面的“表示学习”的最初想法。基于这类的深度学习模型如 受限的玻尔兹曼机等。
当然，本章我们介绍的都是传统机器学习使用的聚类方法。

聚类算法理论部分（k-Means聚类算法）：