k-Means與EM之間的關係

內容來自PRML

k-means能夠當作是兩階段的：

    第一階段，肯定每個樣本所屬的聚類，在這個過程當中，聚類的中心保持不變

   第二階段，肯定聚類中心，在這個過程當中，每個樣本所屬的類別保持不變

 

 

與EM之間的關係：

   第一階段對應的是EM的E步，而第二階段對應的是EM的M步。

 

此外，k-means不必定能達到全局最小的損失函數

這一點和EM類似，EM也不必定能保證找到全局最優值，不能保證收斂到極大值點（來自於統計機器學習）

 

附上一個參考的連接：

  https://www.cnblogs.com/pinard/p/6912636.html

 這裏對某些細節部分，Q(zi) 的最後取值進行了解釋，而獲得這個公式的解釋，能夠看下面這個：

 https://blog.csdn.net/zhihua_oba/article/details/73776553