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