聚类分析tensorflow实例_k均值聚类算法原理和（TensorFlow）实现

顾名思义，k均值聚类是一种对数据进行聚类的技术，即将数据分割成指定数量的几个类，揭示数据的内在性质及规律。

我们知道，在机器学习中，有三种不同的学习模式：监督学习、无监督学习和强化学习：

监督学习，也称为有导师学习，网络输入包括数据和相应的输出标签信息。例如，在 MNIST 数据集中，手写数字的每个图像都有一个标签，代表图片中的数字值。

强化学习，也称为评价学习，不给网络提供期望的输出，但空间会提供给出一个奖惩的反馈，当输出正确时，给网络奖励，当输出错误时就惩罚网络。

无监督学习，也称为无导师学习，在网络的输入中没有相应的输出标签信息，网络接收输入，但既没有提供期望的输出，也没有提供来自环境的奖励，神经网络要在这种情况下学习输入数据中的隐藏结构。无监督学习非常有用，因为现存的大多数数据是没有标签的，这种方法可以用于诸如模式识别、特征提取、数据聚类和降维等任务。

k 均值聚类是一种无监督学习方法。

还记得哈利波特故事中的分院帽吗？那就是聚类，将新学生(无标签)分成四类：格兰芬多、拉文克拉、赫奇帕奇和斯特莱林。

人是非常擅长分类的，聚类算法试图让计算机也具备这种类似的能力，聚类技术很多，例如层次法、贝叶斯法和划分法。k 均值聚类属于划分聚类方法，将数据分成 k 个簇，每个簇有一个中心，称为质心，k 值需要给定。

k 均值聚类算法的工作原理如下：

随机选择 k 个数据点作为初始质心(聚类中心)。

将每个数据点划分给距离