【机器学习】K-means算法学习

K-means聚类算法：

之前在实习面试的时候被问到这个算法，今天就总结一下对这个算法的一些理解，参考了一些博主的文章，附在了下端。

假设：数据之间的相似度可以使用欧式距离进行度量，并且欧式距离越小，两个数据相似度越高。

牧师-牧民模型：
伪代码

function K-Means（输入数据，K个聚类中心）
                  获取输入数据的纬度D和个数N
                  随机生成K个Dim纬的点
                  while（算法未收敛）
                              对N个点：计算每个点属于哪一类
                              对于K个中心点：
                                  1.找到所以属于自己这一类的所以数据点
                                  2.把坐标修改到数据中心
                     end
                     输出；
end

算法思路：
随机生成K个聚类中心点（尽量不要生成在一起），计算没一个数据点到这K个中心点的距离，把到中心点距离最短的当正自己的类别。然后这K中心点开始向属于这一类的所有数据的中心点移动（这一类所有点坐标的平均值即为移动后的中心点坐标），知道这K个中心点的坐标都固定了无法移动，算法就收敛，结束。

对于图像来说：
1.从图像中随机取K个聚类中心
2.彩色距离计算方法：
distance=sqt（（r-r’）**2 + （g-g’）**2
+（b-b’）**2）
3.计算K类中每一类像素的平均值，并将该值作为新的K个类的中心
4.判断聚类中心是否移动，移动继续迭代；不移动终止迭代。
5.将原图中各个像素分配到彩色距离最小的类别中去

import cv2 as cv 
import numpy as np
import matplotlib.pyplot as plt
from glob import glob

def k_means(img, Class=5):
    # get shape
    H, W, C = img<