没有空间信息，K-Means 聚类如何工作？
How can K-Means clustering work without spacial information?
可能是一个短的。刚刚卡在使用 K-Means 聚类上。
我查过这个 python/skimage 命令：
image_array = image.reshape([-1,3]).astype(np.float32)
kmeans = KMeans(n_clusters=2, random_state=0).fit(image_array)
labels_array = kmeans.labels_
labels = labels_array.reshape([image.shape[0], image.shape[1]])
当我注意到必须将 RGB 图像转换为一个长数组时。
当我传递数组时，k 均值聚类如何知道 2 个空间维度（以及第 3 个空间维度 - 颜色）？
或者我认为需要空间信息的假设是错误的？至少目标是最小化簇内平方和。因此，x、y 和颜色方向上的距离很重要，不是吗？
问题是我假设返回的是一维数组。相反，重塑返回三维。这个K-Means的例子确实没有用到位置信息。
可能是一个短的。刚刚卡在使用 K-Means 聚类上。
我查过这个 python/skimage 命令：
image_array = image.reshape([-1,3]).astype(np.float32)
kmeans = KMeans(n_clusters=2, random_state=0).fit(image_array)
labels_array = kmeans.labels_
labels = labels_array.reshape([image.shape[0], image.shape[1]])
当我注意到必须将 RGB 图像转换为一个长数组时。 当我传递数组时，k 均值聚类如何知道 2 个空间维度（以及第 3 个空间维度 - 颜色）？
或者我认为需要空间信息的假设是错误的？至少目标是最小化簇内平方和。因此，x、y 和颜色方向上的距离很重要，不是吗？
问题是我假设返回的是一维数组。相反，重塑返回三维。这个K-Means的例子确实没有用到位置信息。