【机器学习】十一、学习向量量化算法原理

一文详解，原型聚类只学习向量量化算法背后原理。码字不易，喜欢请点赞，谢谢！！！

一、学习向量量化简介

前面的文章中，介绍过k-means和层次聚类这两种聚类方法，今天介绍一种新的聚类算法，即学习向量量化(Learning Vector Quantization)，简称LVQ。

LVQ是一种和k-means很像的算法，也属于原型聚类。但是这种“聚类”算法很奇特，它不再是无监督学习，而是一种需要预设标签的学习算法，学习过程通过这些监督信息来辅助聚类。

二、LVQ算法步骤

思路：

• 初始化几个向量作为原型向量；
• 样本集中随机选取样本，计算和原型向量的距离，找出最邻近的原型向量；
• 比较标签是否一样，一样的话原型向量向样本按照学习率靠拢，否则远离；
• 不断的迭代，直到满足迭代的停止条件(最大迭代轮次、原型向量的更新阈值等)。

步骤：
其中距离的计算方法可以参考之前那篇聚类算法的文章。

参考文献：
周志华 《机器学习》
https://zhuanlan.zhihu.com/p/34256715
https://cloud.tencent.com/developer/news/391329