人工智能算法之聚类算法
聚类算法
聚类，就像回归一样，有时候人们描述的是一类问题，有时候描述的是一类算法。聚类算法通常按照中心点或者分层的方式对输入数据进行归并。所以的聚类算法都试图找到数据的内在结构，以便按照最大的共同点将数据进行归类。常见的聚类算法包括 k-Means算法以及期望最大化算法（Expectation Maximization， EM）。
下面我们来简单刨析一下
K-均值聚类(k-means)
1. 选择 K 个初始质心，初始质心随机选择即可，每一个质心为一个类
2. 把每个观测指派到离它最近的质心，与质心形成新的类
3. 重新计算每个类的质心，所谓质心就是一个类中的所有观测的平均向量（这里称为向量，是因为每一个观测都包含很多变量，所以我们把一个观测视为一个多维向量，维数由变量数决定）。
4. 重复2. 和 3.
5. 直到质心不在发生变化时或者到达最大迭代次数时
2.1.2例子
有一个二维空间的一些点，我们要将它们分成3个类，即K=3。
我们首先随机选择3个初始质心，每一个质心为一类：
然后我们计算每一个不是质心的点到这三个质心的距离：
将这些点归类于距离最近的那个质心的一类：
重新计算这三个分类的质心：
不断重复上述两步，更新三个类：
当稳定以后，迭代停止，这时候的三个类就是我们得到的最后的三个：
内容来源于网络