【深度学习小知识】K-means聚类

什么是K-Means聚类方法

将Kmeans聚类分为两部分进行介绍：

• 聚类：所谓聚类就是将数据集中的数据，根据某部分特性进行类别的划分。
• 聚类流程：
  - 数据准备，将需要聚类的数据集进行一些预处理，如归一化、正则化、降维等
  - 特征选取，定义需要聚类的特征，比如狗的分类中，都有尖尖的耳朵。
  - 特征提取，提取到关键的特征
  - 聚类，根据类似特征，对数据进行分类
  - 效验，对最终聚类的结果进行效验并调整
• Kmeans：kmeans就是经典且有效的聚类算法。
  主要思想：计算各个数据的之间的聚类，并将这几个类别分为K个类别。
  具体：准备一个数据集和人为设定的聚类数目K值（在YOLO系列中Anchor聚类的数目为9，这是精确度和速度的均衡）；选取K个对象作为开始的聚类中心，然后计算每个对象与聚类中心之间的聚类，将对象分配到对应的聚类中心；分配完成之后，在重复计算以满足设定的某个条件。

Kmeans聚类算法流程

• 1 随机初始化数据
  -

• 2 生成两个聚类中心（第一次是随机生成的），将每个类别计算距离距离中心的距离，进行分类。
  
  

• 3 计算每个聚类中心的平均值（如：X坐标/Y坐标的均值作为新的聚类中心），生成新的聚类中心，再对按照聚类中心的距离重新分类。
  

• 不断重复，最终没什么变化或者满足阈值调节终止，即算到最优情况
  -
  !!!end!!!