机器学习之学习向量量化(LVQ)

学习向量量化简介 ：

学习向量量化是一种聚类算法，我自己感觉这应该是一种监督学习算法吧，这种算法属于原型聚类，找到初始原型来刻画聚类结构，与一般聚类算法不同的是，(LVQ)这种算法数据样本带有监督信息标记

算法思想 ：

通过数据集不断学习不断移动原型向量的位置，把高维空间划分成 n 个簇，每个原型向量代表一个聚类簇。

算法流程 ：

初始化一组原型向量，初始化的方法一般为，从第q个簇里面随机找一个标记为tq的样本进行初始化
repeat :
    从样本中随机选择样本
    计算样本到每一个原型向量的距离
    找到一个最短的距离
    if yj = ti (同一类)
        p' := pj + a (xj - pj) (减小两者之间的距离可以用数学公式算，也具有几何直观性，让p接近这个样本点 a 为学习率)
    else
        p' := pj - a (xj - pj) （增大距离，让p远离样本点）
    更新 pj := p'
    迭代直到满足要结束的条件。

算法的最终目的以及意义

算法最终学得一组原型向量，每一个原型向量控制一个范围，每个原型向量类似数学中的 （Voronoi 划分中的中心点），对整个高维空间进行了 划分，当然这个划分也就满足了 Voronoi 划分的性质 （那个距离的性质）。

感觉这像是一个分类算法 嘻嘻嘻