Kmeans基本思想

https://blog.csdn.net/zjc_game_coder/article/details/78595833

Kmeans算法的基本思想：看如下图：

解决小样本 、非线性及高维模式识别问题

低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，我们就可以得到高维空间的分类函数。

假设要把这些点分成三类，首先随机的选择3个点作为三个类别的中心点，然后依次计算其余所有的点到这三个中心点的距离，如果x点（非中心点）到center i （i = 0,1,2）的距离最小，那么x就是i类的，然后对于每一个类，利用均值的方法更新中心点（比如，计算该类中所有点的坐标x,y的平均值的点，然后找到最靠近这个平均坐标的点作为新的中心点）。如此反复迭代，直到中心点坐标不再改变为止。

Kmeans算法是聚类算法，也就是可以给物体分类的，那SVM也是分类的，这两个的区别是啥呢？

答：SVM是有监督的分类算法，而Kmeans是无监督的分类算法，这就是一个很大的区别了，有监督的学习就好好比做题有答案，你做完你知道哪里错了，无监督就是没答案，玩儿蛇呢。