聚类 之 K均值（K-means） 和 学习向量量化（LVQ） 的直觉

K均值（K-means） 和 学习向量量化（LVQ）分别是怎么移动聚类中心的？

 

 

先说说k-means把：

1.k-means在 所有样本中 随机取了 某几个样本点作为数据中心（初始化）

2.遍历所有的样本，  计算每一个样本到达聚类中心的距离（这里的距离度量要自己选择），然后其中选择最近的那个聚类中心，

此时，在当前这轮遍历时间内，这个样本就归这个聚类中心，

3。在2结束后，所有样本都带有了一股标记：它是属于哪一个聚类中心的，反过来看，每一个聚类中心都有一团的样本块，依据该样本块的 所有样本求中心值，从而 聚类中心移动到该求得的中心值处，完成一次 聚类中心的移动。

 

4.不断重复2和3的过程，直到达到指定的迭代轮数 或者 每轮 迭代过程中，聚类中心的移动小于某个阈值。

 

LVQ：

 

LVQ的样本是有标记的，是有监督的。

1.一开始，LVQ定下 有几个聚类的簇中心，

2.然后随机从所有样本中抽取一个样本，计算它到所有聚类中心得距离，留下最近的一个，

3.查看该聚类中心的标签是否和样本的标签一致，若一致，则聚类中心靠近样本，否则该聚类中心远离样本。

4.不断重复2和3的过程，直到达到指定的迭代轮数 或者 每轮 迭代过程中，聚类中心的移动小于某个阈值。

 

补：LVQ2、LVQ3等改进算法能同时更新多个样本，显著提高收敛速度。

ok，直觉都很简单~~

88