原型聚类

原型聚类也称作“基于原型的聚类”，此类算法假设聚类结构可以通过一组原型刻画，在现实任务中极为常见。
（“原型”是指样本空间中具有代表性的点）
通常情况下，算法先对原型进行初始化，然后对原型进行迭代更新求解。
采用不同的原型表示、不同的求解方式，将产生不同的算法，下面介绍几种著名的原型聚类算法。

k均值算法

给定样本集 D = { x 1 , x 2 , … … x m } D=\{x_1,x_2,……x_m\} D={ x1​,x2​,……xm​},k均值算法针对聚类所得簇划分 C = { C 1 , C 2 … … C k } C=\{C_1,C_2……C_k\} C={ C1​,C2​……Ck​},最小化平方误差

$E=\sum _{i=1}^k\sum _{x_i\in C_k}||x-u_i|{|}^2$ (1-1)
其中，$u_i$是簇$C_i$的聚类中心， u i = 1 ∣ C i ∣ ∑ x ∈ C i x u_i=\frac{1}{|C_i|}\displaystyle\sum_{x∈C_i}x ui​=∣C