聚类是机器学习问题中无监督学习的一个典型例子。在实际中,并非所有样本都可以贴上标签,在数据量极为庞大的时候,比如视频帧标注,对每个样本都进行贴注标签需要耗费极大精力。在无监督问题中,训练样本是没有标签的,如何对无标签训练样本进行学习,发现其内在的分布结构,同样是学术界和工业界赖以追求解决的一个问题,也是机器学习的一个未来发展方向。
聚类将给定的样例集划分为若干个互不相交的子集。直观来看,好的聚类结果,一定表现出簇内相似度高、簇间相似度低的特征。那么如何来量化这个所谓的“相似度”,我们一般采用的方法是计算样本间的“距离”。
给定两个样本 xi=(xi1,xi2,...,xin) 与 xj=(xj1,xj2,...,xjn) ,其Minkowski距离定义为:
dist