理工酷

与k均值算法类似，“学习向量量化”（简称LVQ）也是视图找到一组原型向量来刻画聚类结构，但与一般聚类算法不同的是，LVQ假设数据样本带有类别标记，学习过程利用样本的这些监督信息来辅助聚类。 给定样本集D={(x1,y1),(x2,y2),…,(xm,ym)}，每个样本xj是由n个属性描述的特征向量(xj1;xj2;…;xjn)，yj属于У是样本xj的类别标记。LVQ的目标是学得一组n维原型向量{p1，p2,…pq}，每个原型向量代表一个聚类簇，簇标记ti属于У。 LVQ算法描述如下图所示，算法第一行先对原型向量进行初始化，例如对第q个簇可从类别标记为tq的样本中随机算去一个作为原型向量。算法第2-12行对原型向量进行迭代优化。在每一轮迭代中，算法随机选取一个有标记训练样本，找出与其距离最近的原型向量，并根据两者的类别标记是否一致来对原型向量进行相应的更新。在第十二行中，若算法的停止条件已满足（例如达到最大迭代轮数，活原型向量更新很小甚至不在更新），则将当前原型向量作为最终结果返回。