待验证50% 置信事实精确时间
K-Means聚类算法在标准实现中天然依赖欧氏距离，每一步计算样本点到聚类中心的欧氏距离并分配类别
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证K-means聚类算法本质上是坐标下降法（coordinate descent）的一个具体实例73% 相似待验证K-Quant 量化方法对模型不同层采用不同的量化精度，对注意力层保留更高精度，对前馈层使用更激进压缩，在相同位宽下获得更好生成质量63% 相似待验证互信息估计已有多种替代方法，包括Kraskov-Stögbauer-Grassberger（KSG）估计器、基于随机森林的条件互信息估计和MINE（Mutual Information Neural Estimation）方法62% 相似待验证在向量数据库场景中，IVF的K值通常设为数据量的平方根，K-Means训练是离线完成的62% 相似待验证K-Means通过迭代计算质心来划分数据，DBSCAN是基于密度的算法，能发现任意形状的簇并对噪声数据更鲁棒61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/901369API
curl https://kongchang.com/api/v1/knowledge/claims/901369MCP
get_claim(id=901369)