TensorFlow深度学习实战（18）——K-means 聚类详解

0. 前言

K-means 聚类是一种常用的无监督学习算法，用于将数据集划分为若干个互不重叠的簇 (cluster)，使得同一簇内的数据点尽可能相似，而不同簇之间的数据点尽可能不同。在本节中，将介绍 K-means 聚类的基本原理与局限性，并使用 TensorFlow 实现 K-means 聚类。

1. K-means 聚类

K-means 聚类是一种数据聚类技术，即将数据划分为指定数量的数据点，是一种无监督学习技术，通过识别给定数据中的模式工作。
有多种聚类技术，如层次聚类、贝叶斯聚类或划分聚类。K-means 聚类属于划分聚类，将数据分成 k 个簇。每个簇有一个中心，称为质心，簇的数量 k 需要自行指定。K-means 算法的工作流程如下：

1. 随机选择 k 个数据点作为初始质心(簇中心)
2. 将每个数据点分配给最近的质心；可以使用不同的度量方法来确定接近度，最常见的是欧几里得距离
3. 使用当前的簇成员重新计算质心，以使(每个点与其