K-均值聚类过程动画：数据点如何找“家”？

技术Flow

合集 · 直观理解机器学习和深度学习 (18)

  1. 5:27
    直观理解正态分布(PDF, CDF, PPF)
  2. 4:07
    从数值和视觉上理解贝叶斯定理
  3. 4:06
    论文中常见基础数学符号
  4. 4:05
    论文中常见求和与乘积数学符号
  5. 3:23
    直观理解机器学习中的线性回归
  6. 3:28
    直观理解皮尔逊相关系数（r）和决定系数（r平方）
  7. 3:29
    直观理解机器学习中的逻辑回归
  8. 4:07
    直观理解机器学习中的神经网络
  9. 21:02
    大型语言模型中的注意力机制图解（中文配音）
  10. 31:51
    【中文配音】Mamba：比Transformers更好更快的模型
  11. 44:46
    (中文配音)直观解释所有机器学习模型
  12. 22:23
    (流畅中文配音)直观解释所有机器学习模型
  13. 7:54
    （中文配音）制作令人印象深刻的可视化图表
  14. 26:52
    （流畅中文配音）符合生物机制的学习算法
  15. 26:52
    （英语原声）符合生物机制的学习算法
  16. 2:14
    K-均值聚类动画演示
  17. 25:56
    为什么LoRA能省下训练资源？一个宝藏比喻讲透低秩适配
  18. 28:36
    本世纪被引用最多的论文是一篇出色的巧妙之作
Description 
K-均值聚类的过程可以概括为 4 步：

1. **初始化中心点**  
随机选择 \(k\) 个点作为初始簇中心。

2. **分配样本**  
计算每个样本到各簇中心的距离，把样本分到最近的中心所属簇。

3. **更新中心**  
对每个簇内样本分别求均值，用该均值作为新的簇中心。

4. **迭代收敛**  
重复“分配样本 + 更新中心”，直到簇中心基本不再变化或达到迭代上限。

核心思想是：不断最小化簇内距离，让同一簇内样本更相似、簇间差异更明显。

Comments

hyperbin 2026-05-09

数据量一大，这算法的耗时直接就炸了

♥ 2 ↩ 1

嗑叫偏之夏虫语冰 2026-05-07

数学？

♥ 1 ↩ 3

不可避免的废材 2h ago

这个算法从原理上是对的，但感觉浪费了大量计算呢，有没有优化的方法呢？

↩ 1