K-平均算法和几何中心

K-平均算法和几何中心之间的区别

K-平均算法 vs. 几何中心

k-平均算法（英文：k-means clustering）源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把n个点（可以是样本的一次观察或一个实例）划分到k个聚类中，使得每个点都属于离他最近的均值（此即聚类中心）对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。这个问题在计算上是困难的（NP困难），不过存在高效的启发式算法。一般情况下，都使用效率比较高的启发式算法，它们能够快速收敛于一个局部最优解。这些算法通常类似于通过迭代优化方法处理高斯混合分布的最大期望算法（EM算法）。而且，它们都使用聚类中心来为数据建模；然而k-平均聚类倾向于在可比较的空间范围内寻找聚类，期望-最大化技术却允许聚类有不同的形状。 k-平均聚类与''k''-近邻之间没有任何关系（后者是另一流行的机器学习技术）。. n 维空间中一个对象X的几何中心或形心是将X分成矩相等的两部分的所有超平面的交点。非正式地说，它是X中所有点的平均。如果一個物件質量分佈平均，形心便是重心。如果一个对象具有一致的密度，或者其形状和密度具有某种对称性足以确定几何中心，那么它的几何中心和质量中心重合，该条件是充分但不是必要的。有限个点总存在几何中心，可以通过计算这些点的每个坐标分量的算术平均值得到。这个中心是空间中一点到这有限个点距离的平方和的惟一最小值点。点集的几何中心在仿射变换下保持不变。.

之间K-平均算法和几何中心相似

K-平均算法和几何中心有（在联盟百科）0共同点。

上面的列表回答下列问题

什么K-平均算法和几何中心的共同点。
什么是K-平均算法和几何中心之间的相似性