机器学习——Mini Batch K-Means算法

Mini Batch K-Means算法是K-Means算法的一种优化变种，采用小规模的数据子集(每次训练使用的数据集是在训练算法的时候随机抽取的数据子集)减少计算时间，同时试图优化目标函数; Mini Batch K-Means算法可以减少K- Means算法的收敛时间，而且产生的结果效果只是略差于标准K-Means算法

算法步骤如下:
　　●首先抽取部分数据集,使用K-Means算法构建出K个聚簇点的模型
　　●继续抽取训|练数据集中的部分数据集样本数据，并将其添加到模型中，分配给距离最近的聚簇中心点
　　●更新聚簇的中心点值(每次更新都只用抽取出来的部分数据集)
　　●循环迭代第二步和第三步操作，直到中心点稳定或者达到迭代次数,停止计算操作

例如，10000个样本，每次拿1000个样本，做一次K-means，无放回。

再取1000个......