k-means聚类复杂度探讨

k-means聚类一种无监督的学习方法（也就是不需要人为告诉计算机如何处理）

一般流程：

先随机设定k个聚类中心（此处的k决定了最终的k类）

然后计算n个点到k个点的距离，单个图像与图像距离计算的复杂度为d（涉及到sift的可以自己查阅一下复杂度多少，这里不一一赘述。）

聚类完成之后，我们需要进一步迭代。首先计算聚的k个类的聚类中心，然后用找到的k个聚类中心进行再次聚类。当聚类中心不再变动时，聚类停止。设此时迭代次数为t次。

因此可以看出，k-means聚类复杂度为O1=k*n*d*t

此处为了说明k-means聚类的优点，引入比较无脑的全比较算法

也就是n个点和n个点进行比较，比较的单个复杂度为d

因此我们的计算量为O2=（n^2）*d

O2/O1=n/kt

一般我们所做的分类问题涉及到的数量级都是上万的，n非常的大，而我们的kt相比来说就小很多了。虽然我们的精度没有全比较法找到最接近的另一点，但是在类别差距不是很大时，我们对k进行适当选择，是可以得到我们想要的分类结果的。

时间复杂度图片引自https://www.jianshu.com/p/d0e1e740310f