K-means
经典无监督聚类算法，由Stuart Lloyd于1957年提出，通过迭代更新簇中心最小化簇内平方误差和，将数据划分为k个簇
时间轴 (近 90 天)
语义ID通常通过对物品的稠密语义表示进行量化得到，常见做法包括K-means聚类、残差量化（RQ）与乘积量化（PQ）等技术。
Palette Walk 的 K-means 算法在至多 4096 个采样 RGB 像素上拟合最多三个聚类来输出图片主色
Palette Walk 使用 Python 配合 scikit-learn 的 K-means 聚类从一张图片中提取主色，并为每个色块配上一句固定的观察提示
K-means 是一种无监督学习算法，通过反复迭代初始化质心、将数据点归入最近质心、重新计算组均值作为新质心，直到质心不再显著移动
RGB 空间中的欧氏距离是 K-means 默认的相似度度量，但它并不完全对应人眼对颜色差异的主观感知（感知均匀性）
图像缩放时使用双线性或双三次插值会对周围像素加权平均，在边界处产生源图像中不存在的中间色，导致 K-means 聚出错误主色，改用最近邻采样可避免此问题
选择 K=3 将任何图片归纳成三个主色，既降低计算量也让卡片保持简洁；4096 像素采样上限是精度与速度之间的经验性折中
K-means、SOM 等传统原型式学习方法需要预先指定聚类中心或原型的数量
核心机器学习算法包括线性回归、逻辑回归、决策树、随机森林、梯度提升（XGBoost、LightGBM）、K近邻和K-means聚类
语义聚类基于词嵌入或句嵌入技术，将关键词映射为高维向量空间中的点，通过K-means、DBSCAN等聚类算法自动分组
还有 2 条时间轴事件
全部知识事实 (12)
语义ID通常通过对物品的稠密语义表示进行量化得到，常见做法包括K-means聚类、残差量化（RQ）与乘积量化（PQ）等技术。
50%待验证Palette Walk 的 K-means 算法在至多 4096 个采样 RGB 像素上拟合最多三个聚类来输出图片主色
50%待验证Palette Walk 使用 Python 配合 scikit-learn 的 K-means 聚类从一张图片中提取主色，并为每个色块配上一句固定的观察提示
50%待验证K-means 是一种无监督学习算法，通过反复迭代初始化质心、将数据点归入最近质心、重新计算组均值作为新质心，直到质心不再显著移动
50%待验证RGB 空间中的欧氏距离是 K-means 默认的相似度度量，但它并不完全对应人眼对颜色差异的主观感知（感知均匀性）
50%待验证图像缩放时使用双线性或双三次插值会对周围像素加权平均，在边界处产生源图像中不存在的中间色，导致 K-means 聚出错误主色，改用最近邻采样可避免此问题
50%待验证选择 K=3 将任何图片归纳成三个主色，既降低计算量也让卡片保持简洁；4096 像素采样上限是精度与速度之间的经验性折中
50%待验证K-means、SOM 等传统原型式学习方法需要预先指定聚类中心或原型的数量
50%待验证核心机器学习算法包括线性回归、逻辑回归、决策树、随机森林、梯度提升（XGBoost、LightGBM）、K近邻和K-means聚类
50%待验证语义聚类基于词嵌入或句嵌入技术，将关键词映射为高维向量空间中的点，通过K-means、DBSCAN等聚类算法自动分组
50%待验证K-means可以视为EM算法在高斯混合模型上的硬极限情况，EM算法使用软分配而K-means使用硬分配
50%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
50%