向量量化是一个在讯号处理中的一个量化法，其为借由样本向量的训练来估算密度几率函数，并借由此密度函数推估最有效的量化方案。此技术原用于资料压缩，透过分割大数量的资料点，让每个小聚类分析都有相同的资料点，而这些小群集的所有资料就由其正中央的点作为代表，这点与K-means以及其他群集分析的特性相当。
向量量化所使用的密度分布法的优势在于，此种压缩法对于高几率出现的资料误差小，而对低几率的资料误差大，故特别适用于大量且高维度的向量破坏性资料压缩。
向量量化是竞逐式学习的一种技巧，故与深度学习的自编码器其中使用的自组织对应以及稀疏神经编码有关系。
1
在计算机科学中，学习向量量化是一种基于原型的监督学习统计分类算法。 LVQ是向量量化的监督版本。
k-均值算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把
n
{\displaystyle n}
个点划分到k个聚类中，使得每个点都属于离他最近的均值对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。
k-均值算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把
n
{\displaystyle n}
个点划分到k个聚类中，使得每个点都属于离他最近的均值对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。
在计算机科学中，学习向量量化是一种基于原型的监督学习统计分类算法。 LVQ是向量量化的监督版本。
k-均值算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把
n
{\displaystyle n}
个点划分到k个聚类中，使得每个点都属于离他最近的均值对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。
k-均值算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把
n
{\displaystyle n}
个点划分到k个聚类中，使得每个点都属于离他最近的均值对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。
k-均值算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把
n
{\displaystyle n}
个点划分到k个聚类中，使得每个点都属于离他最近的均值对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。
k-均值算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把
n
{\displaystyle n}
个点划分到k个聚类中，使得每个点都属于离他最近的均值对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。
k-均值算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把
n
{\displaystyle n}
个点划分到k个聚类中，使得每个点都属于离他最近的均值对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。
k-均值算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把
n
{\displaystyle n}
个点划分到k个聚类中，使得每个点都属于离他最近的均值对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。
Mini wiki
