K-Means++算法介绍K-Means++主要解决初始化种子点的问题，其选择初始种子的基本思想是：初始聚类中心之间相互距离要在K-Means算法基础上引入了更智能的初始化步骤，该步骤倾向于选择彼此相距较远的中心点，这一改进使得K-means算法收敛到次优解的可能性很小。K-Means++算法表明，更智能的初始化步骤所需计算量是值得的，因为他可以大大减少寻找最优解所需运行算法的次数。K-Means

import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimfrom torchvision import datasets,transformsfrom torch.autograd import Variable#training settingbatch_size = 1

数据挖掘分类与回归的比较分类和回归都属于监督性学习。那么他们的区别是什么呢？简单来说，我们现在有x和y值，分类的目标y值是属于离散值，而回归的目标y值是连续值。举个栗子， 汽车的不同颜色比如红，黑，白，属于离散值，而今天的气温则是连续值。如果来比较他们的原理，给出几个点，找出拟合性最强的那条线是回归。如下图：给出几个属于两个不同类别的点，找出那条最能把两个类别的点区分出来的线就是分类。如下图：原文

数据挖掘分类与回归的比较分类和回归都属于监督性学习。那么他们的区别是什么呢？简单来说，我们现在有x和y值，分类的目标y值是属于离散值，而回归的目标y值是连续值。举个栗子， 汽车的不同颜色比如红，黑，白，属于离散值，而今天的气温则是连续值。如果来比较他们的原理，给出几个点，找出拟合性最强的那条线是回归。如下图：给出几个属于两个不同类别的点，找出那条最能把两个类别的点区分出来的线就是分类。如下图：原文

数据挖掘分类与回归的比较分类和回归都属于监督性学习。那么他们的区别是什么呢？简单来说，我们现在有x和y值，分类的目标y值是属于离散值，而回归的目标y值是连续值。举个栗子， 汽车的不同颜色比如红，黑，白，属于离散值，而今天的气温则是连续值。如果来比较他们的原理，给出几个点，找出拟合性最强的那条线是回归。如下图：给出几个属于两个不同类别的点，找出那条最能把两个类别的点区分出来的线就是分类。如下图：原文

数据挖掘分类与回归的比较分类和回归都属于监督性学习。那么他们的区别是什么呢？简单来说，我们现在有x和y值，分类的目标y值是属于离散值，而回归的目标y值是连续值。举个栗子， 汽车的不同颜色比如红，黑，白，属于离散值，而今天的气温则是连续值。如果来比较他们的原理，给出几个点，找出拟合性最强的那条线是回归。如下图：给出几个属于两个不同类别的点，找出那条最能把两个类别的点区分出来的线就是分类。如下图：原文