h2728677716的博客

1.思想：初始随机给定K（超参数）个簇中心，这K个簇中心是在样本点中随机选择。按照最邻近原则把待分类的样本点分到各个簇。划分完成后按平均法重新计算各个簇的质心，从而在确定新的簇心。一直迭代，直到簇心的移动距离小于某个给定的值。2.k-means算法评价准则：误差平方和准则，误差平方和达到最优（小）时，可以使类内尽可能紧凑，聚类之间尽可能分开。loss损失：是一个非凸函数，所以有许多最小值，不一定每次都能落到全局最优，有可能落到局部最优。k:簇的个数Ci:某个簇

1.聚类就是将数据集划分为若干相似对象组成的多个组或簇的过程，使得同一个组或簇相似度最大化，不同簇间相似度最小化。（有时候聚类可以评价相似性）2.聚类的本质是分组，属于无监督机器学习。3.在聚类分析中，样本之间相似性通常采用样本之间的距离来表示，距离越大表示两个样本越不相似，差异性越大。距离越小，样本差异性越大，距离为零表示两个样本完全一样，无差异。4.连续型数值计量方法最常用的是欧氏距离（l2范数，两点之间直线距离）曼哈顿距离（l1范数，两点之间台阶式距离）5.如果数据是.