聚类之meanshift算法

在K-Means 算法中，最终的聚类效果受初始的聚类中心的影响，K-Means++算法的提出，为选择较好的初始聚类中心提供了依据（选择的的初始聚类中心尽可能的远）
但是算法中，聚类的类别个数K仍需事先确定，对于类别个数事先未知的数据集，K-Means和K-Means++将很难对其精确求解。
Mean Shift 算法，又被称作均值漂移算法，与K-Means算法一样，都是基于聚类中心的聚类算法。
优点：不需要提前指定聚类类别个数
缺点：计算量大

在Meanshift算法中，聚类中心是通过在给定区域中的样本的均值来确定的，通过不断的迭代更新聚类中心，直到最终的聚类中心不再改变为止。

Mean Shift向量

对于给定的n位空间$R^n$中的m个样本点$X^{(i)},i=1,2\dots \dots m$,对于其中的一个样本X，其Mean Shift向量为：
$M_h(X)=\frac{1}{k}\sum _{X^{(i)}\in S_h}(X^{(i)}$