一文詳解，原型聚類只學習向量量化算法背後原理。碼字不易，喜歡請點贊，謝謝！！！
一、學習向量量化簡介
前面的文章中，介紹過k-means和層次聚類這兩種聚類方法，今天介紹一種新的聚類算法，即學習向量量化(Learning Vector Quantization)，簡稱LVQ。
LVQ是一種和k-means很像的算法，也屬於原型聚類。但是這種“聚類”算法很奇特，它不再是無監督學習，而是一種需要預設標籤的學習算法，學習過程通過這些監督信息來輔助聚類。
二、LVQ算法步驟
思路：
- 初始化幾個向量作爲原型向量；
- 樣本集中隨機選取樣本，計算和原型向量的距離，找出最鄰近的原型向量；
- 比較標籤是否一樣，一樣的話原型向量向樣本按照學習率靠攏，否則遠離；
- 不斷的迭代，直到滿足迭代的停止條件(最大迭代輪次、原型向量的更新閾值等)。
步驟：
其中距離的計算方法可以參考之前那篇聚類算法的文章。
參考文獻：
周志華 《機器學習》
https://zhuanlan.zhihu.com/p/34256715
https://cloud.tencent.com/developer/news/391329
歡迎添加個人微信號：liu2536036458。
想進入交流羣的，備註：數據分析交流羣
我們共同學習，共同進步！！！
