Boosting集合算法详解（一）

本文是关于聚类算法的第二篇K-means，感兴趣的同学可以前往http://ihoge.cn/2018/clustering.html
阅读完整版。

二、K-means

1. 算法步骤

<1> 选择$K$个点作为初始质心
<2> Repeat：
<3> 将每个点指派到最近的质心，形成$K$个簇
<4> 重新计算每个簇的质心
<5> Until: 质心不发生变化终止

2. 距离的度量

闵可夫斯基距离

闵可夫斯基距离不是一种距离，而是一类距离的定义。对于 n 维空间中的两个点 $x(x_1,x_2,x_3,...,x_n)$和$y(y_1,y_2,y_3,...,y_n)$，那么$x$和$y$亮点之间的闵可夫斯基距离为：

$$d_{xy}=\sqrt{\sum_{i=1}^{n}{\left( x_{i}-y_{i} \right)^{p}}}$$
其中p是一个可变参数：

• 当p=1时，被称为曼哈顿距离；
• 当p=2时，被称为欧式距离；
• 当p=$\infty$时，被称为切比雪夫距离。

余弦相似度：

cos(Θ)=aT