K均值聚类（K-means）和高斯混合聚类（Mixture of Gaussian Models）

K-means算法流程

给定条件：

????example set: \((x_1, y_1), (x_2, y_2), \dots, (x_N, y_N)\)

初始化：

????K个簇类的中心点坐标(用C来表示):\[(\mu_{x1}, \mu_{y1}), (\mu_{x2}, \mu_{y2}),\dots, (\mu_{xK}, \mu_{yK})\]????以及一个表示欧氏距离的阈值\(\epsilon\)

K-均值聚类步骤：

1. 计算每个样本到每个簇类中心点的距离 \(d_{ij} = \parallel (x_i, y_i) - (\mu_{xj}, \mu_{yj}) \parallel_2^2\)
2. 找出距离每个样本最近的集群，将该样本标为该类
3. 更新每个簇类的中心点坐标，当中心点更新移动的距离小于阈值\(\epsilon\)或者迭代次数到达最大迭代次数时结束迭代过程

原文地址：https://www.cnblogs.com/siberiawind/p/9523131.html