如何使用Python实现OpenCV的K均值聚类算法？

本文共计2809个文字，预计阅读时间需要12分钟。

K均值聚类+预测的散点值时，工作就是分类。预测的连续值时，工作就是回归。机器学习模型还可以将训练集中的数据划分为若干个若干部署，每个组被称为一簇。

K均值聚类

• 预测的是一个离散值时，做的工作就是“分类”。
• 预测的是一个连续值时，做的工作就是“回归”。

机器学习模型还可以将训练集中的数据划分为若干个组，每个组被称为一个“簇（cluster）”。这种学习方式被称为“聚类（clusting）”，它的重要特点是在学习过程中不需要用标签对训练样本进行标注。也就是说，学习过程能够根据现有训练集自动完成分类（聚类）。

根据训练数据是否有标签，可以将学习划分为监督学习和无监督学习。

K近邻、支持向量机都是监督学习，提供有标签的数据给算法学习，然后对数据分类

聚类是无监督学习，事先并不知道分类标签是什么，直接对数据分类。

聚类能够将具有相似属性的对象划分到同一个集合（簇）中。

聚类方法能够应用于所有对象，簇内的对象越相似，聚类算法的效果越好。

K均值聚类的基本步骤

K均值聚类是一种将输入数据划分为k个簇的简单的聚类算法，该算法不断提取当前分类的中心点（也称为质心或重心），并最终在分类稳定时完成聚类。

从本质上说，K均值聚类是一种迭代算法。

在实际处理过程中需要进行多轮的迭代，直到分组稳定不再发生变化，即可认为分组完成。

K均值聚类算法的基本步骤如下：

随机选取k个点作为分类的中心点。

将每个数据点放到距离它最近的中心点所在的类中。