【计算机视觉】1.图像处理基础

1. K-means

1.1 Steps

• Pick a number (k) of cluster centers
• Assign every gene to its nearest cluster center
• Move each cluster center to the mean of its assigned genes
• Repeat 2-3 until convergence

1.2 Variations/parameters

Initial(seed) cluster centers.

Convergence

• A fixed number of iterations
• partitions unchanged
• Cluster centers don’t change

2. Knn

k近邻法（k-nearest neighbor, kNN）是一种基本分类与回归方法，其基本做法是：给定测试实例，基于某种距离度量找出训练集中与其最靠近的k个实例点，然后基于这k个最近邻的信息来进行预测。
    通常，在分类任务中可使用“投票法”，即选择这k个实例中出现最多的标记类别作为预测结果；在回归任务中可使用“平均法”，即将这k个实例的实值输出标记的平均值作为预测结果；还可基于距离远近进行加权平均或加权投票，距离越近的实例权重越大。

2.1 KNN 距离函数

• 曼哈顿距离
• 欧氏距离
  

2.2 KNN Summary

优缺点

• 优点
  • 简单
  • 易于实现
  • 不需要参数估计和训练
• 缺点
  • 计算量大
  • 内存开销大

K 的取值

参数K一般不大于20