机器学习 学习向量量化(Learning Vector Quantization，LVQ)

学习向量量化与K均值算法类似，但是K均值算法是在原数据没有类别标记的情况下，是一种无监督算法，而学习向量量化算法是在数据集类别标签的这些监督信息来辅助聚类。

LVQ的目标是学得一组n维原型向量，每个原型向量代表一个聚类簇。计算待分类的数据与原型向量的差异度（欧氏距离），距离最近的原型向量的标签作为该数据的分类标签。

LVQ算法过程如下：

生成初始的原型向量

我采用的是鸢尾花数据集，该数据集共三种分类，所以原型向量设为三个，初始的向量，从三个类别数据中随机选择一个数据，作为初始向量。

导入需要的库：

import pandas as pd
import numpy as np
import random

 读取数据，并将三种不同标签数据分类：

data = pd.read_csv('iris.data', header = None)

data_setosa = data[data[4]=='Iris-setosa']
data_versicolor = data[data[4]=='Iris-versicolor']
data_virginica = data[data[4]=='Iris-virginica']

 根据行索引，随机选择三个数据作为初始原型向量

a = data_setos