机器学习之原型聚类算法（K均值和高斯混合）

“原型"是指样本空间中具有代表性的点。
原型聚类算法是假设聚类结构能通过一组原型进行刻画，在现实聚类任务中极为常用。
通常情形下，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。

1、原型聚类算法介绍

1.1、k均值(k-means )

给定样本集 D = { x 1 , x 2 , ⋯   , x m } D=\left\{ {x_1,x_2,\cdots,x_m}\right\} 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=\left\{ {C_1,C_2,\cdots,C_k}\right\} C={ C1​,C2​,⋯,Ck​} 最小化平方误差$$E=\sum _{i=1}^k$$