Machine Learning 简明教程

K-Means clustering 是一种流行的无监督机器学习算法，用于对数据进行聚类。它是一个简单、高效的算法，可以根据数据点的相似性将它们分组到 K 个簇中。该算法首先随机选择 K 个质心，它们是每个簇的初始中心。接下来，将每个数据点分配给质心最靠近的簇。然后，通过计算簇中所有数据点的均值来更新质心。重复此过程，直到质心不再移动或达到最大迭代次数。

K-medoids clustering 是一种基于划分的聚类算法，用于将一组数据点聚类到“k”个簇中。与使用数据点的均值来表示簇中心的 K 均值聚类不同，K 均值聚类使用一个称为质点的代表性数据点来表示簇中心。质点是数据点，它最大程度地减少了它与簇中所有其他数据点之间的距离之和。这使得 K 均值聚类比 K 均值聚类对离群值和噪声更有鲁棒性。

我们将在接下来的两章中讨论这两种聚类方法。