Machine learning K均值聚类和矢量量化之间的区别是什么？

K均值聚类和矢量量化之间的区别是什么

他们似乎非常相似

我正在处理隐马尔可夫模型，我需要从特征向量中提取符号

---

为了提取符号，我是做矢量量化还是k-均值聚类？

据我理解，k-均值是一种矢量量化。

k-均值算法是著名的“Lloyd I”量化算法对经验分布情况的特殊化。（比照劳埃德）

Lloyd I算法被证明可以产生一个二次失真减小的量化器序列。然而，除了一维对数凹分布的特殊情况外，它并不总是收敛到二次最优量化器。（量化误差存在局部极小值，特别是在处理经验分布（即聚类问题）时。）

一种（总是）向最优量化器收敛的方法是所谓的CLVQ算法，它也推广到更一般的L^p量化问题。它是一种随机梯度法。（参见Pagès）

---

还有一些基于遗传算法的方法。（参见Hamida等人）和/或一维情况下收敛更快的经典优化程序（Pagès，Printems）。

准确地说。K-均值聚类是执行矢量量化的一种方法。通过K-means找到的质心（使用信息论术语）是代码本的符号或码字。要解码向量，请将向量指定给它最接近的质心（或码字）。也许您应该通过解释什么是向量量化来解释为什么k-means是一种向量量化。