聚类算法
KMeans
Kmeans算法，也被称为K-平均或K-均值，是一种得到最广泛使用的聚类算法，主要思想是：首先将各个聚类子集内的所有数据样本的均值作为该聚类的代表点，然后把每个数据点划分到最近的类别中，使得评价聚类性能的准则函数达到最优，从而使同一个类中的对象相似度比较高，而不同类之间的对象的相似度较小
算法优点：理论清晰，算法简单，算法收敛速度很快，仅需20次以内的迭代就能得出最终聚类结果，适用于发现球形聚类簇
算法缺点：算法结果依赖初始中心的选取，如果算法初值选取不当，会陷入局部最优解，不能发现非球形聚类簇，不能发现差别很大的类，对噪声和孤立点很敏感
EM
最大期望算法是在概率模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量。最大期望经常用在机器学习和计算机视觉数据聚类领域，最大期望算法经过两个步骤交替计算，第一步是计算期望，利用对隐藏变量的现有估计值，计算最大似然估计值，第二步最大化，最大化在计算期望上求得的最大似然值计算参数的值，最大化上找的参数估计值被用于下一个计算期望的步骤中，两个步骤交替进行。
算法优点：最大期望算法计算结构稳定，准确，算法可以给出每一类样本被分配到每一个类的概率，丰富的信息量要比简单的结果好的多，可以把这个结果转化为一个得分，表示模型对结果的把握，最后我们选取把握最大的模型
算法缺点：计算复杂收敛较慢，不适合大规模数据和高维数据，在迭代中如果某类样本特别少会导致协方差矩阵奇异，容易陷入局部最优，对孤立点敏感，有噪音效果差
标签：期望,最大,常见,估计值,算法,计算,聚类 From： https://www.cnblogs.com/tgfoven/p/17157183.html