没什么胡说八道，让我们开始，看看牛皮的头衔，你应该知道我想做什么，呵呵?
在开始之前，让我们简单地看一下我们的Kmeans，以便我们可以知道我们的小工具今天可以做什么。
实际上，我以前玩过这种算法，但是我使用Sklearn直接调整了软件包。因此，今天，让我们首先对其进行检查。
Kmeans分为几个步骤。
由于我们使用了距离，因此我们这里有几个距离公式可供选择（我在这里直接使用欧洲距离收回）
dist = |x1 = x2 |+|y1 -y2 |
这些距离无关紧要，然后代码实际上更改了。
好的，现在让我们看一下我们的代码。
我们的重复是由四分之一班级组成的。这四种颜色对应于不同的类别，并且有一个分类，即不能将这四个类别划分为这四个类别。由于我们被分类为属于该类别，因此取决于距离您观点中心点的距离。最接近的中心的假设为a，那么这个点属于a，但是如果有两个点，有两个点。a，b，则不能分类这个点。
查看代码相对简单，让我们看一下运行地图。我使用虚线连接到边界，因为我们必须解决下一个问题的问题（下图由点表示，边框不好 - 看起来不错）
好，让我们先看看我们的结果之一
蓝点是我们无法分类的一点。如果我们使用距离来计算，那么您会发现一些我们根本无法分类的要点。如果我想获得4个类别，我请您给我一个课程，并且必须分配到所有要点，那么您该怎么做。然后我的答案是使用神经网络
提出基于距离的分类的目的是期望找到基于距离然后进行分类的隐藏关系，但有时某些关系可能非常相关，但不牢固，所有问题可能会导致某些点进行分类。提出了两个崇敬。1。您是否可以使用神经网络替换传统的距离公式，并使用神经网络学习隐藏的关系 - 对特殊隐藏关系进行分类的期望。2。无论您可以直接使用神经网络分类，您都希望神经网络可以从与距离相关的距离中学习，但在学习距离时可以从距离但非Strong的隐藏关系中学习。
在这里我意识到这两个想法。-一个是关于距离的，一个是关于分类的。设计时，第一个Reverie参考DQN网络旨在获得结果的收敛和分类结果。实现第二个雷神，分析设计。在参考DQN中，使用GAN网络进行设计，提出了基于距离的Gankmeans群集算法，并提出了复合算法机制。激活函数是生成器和判断。预计神经网络可以利用距离与非弦相关之间关系之间关系之间距离之间的距离的预期，从而可以将所有点分类为所有点。
原始：https：//juejin.cn/post/7100853506856189989