k-means聚类算法在线学习源码

K-means聚类算法是一种常用的无监督学习算法，用于将一组数据分成不同的簇。它通过计算数据点与各个簇中心之间的距离，并将数据点分配到距离最近的簇中心，不断地更新簇中心的位置，直到达到收敛。

针对在线学习的需求，可以参考以下实现思路：

1. 初始化簇中心：随机选择k个数据点作为初始簇中心。

2. 随机选择一个新的数据点，并计算该数据点与所有簇中心的距离。

3. 将新的数据点分配到距离最近的簇中心。

4. 更新簇中心的位置：对于每个簇，计算该簇中所有数据点的平均值，将该平均值作为新的簇中心。

5. 重复第2-4步，直到达到收敛条件，如达到指定的迭代次数或簇中心的变化小于阈值。

基于以上思路，可以使用Python编写在线学习的K-means聚类算法的源码。具体实现如下：

import numpy as np

class KMeans:
    def __init__(self, k, max_iter=100, tol=1e-4):
        self.k = k
        self.max_iter = max_iter
        self.tol = tol
    
    def fit(self, X):
        # 初始化簇中心
        self.centroids = X[np.random.choice(range(X.shape[0]), self.k, replace=False)]
        
        for _ in range(self.max_iter):
            # 分配数据点到簇中心
            labels = self.assign_labels(X)
            
            # 更新簇中心的位置
            new_centroids = self.update_centroids(X, labels)
            
            # 判断簇中心的变化是否小于阈值
            if np.linalg.norm(new_centroids - self.centroids) < self.tol:
                break
            
            self.centroids = new_centroids
    
    def assign_labels(self, X):
        distances = np.sqrt(((X[:, np.newaxis] - self.centroids) ** 2).sum(axis=2))
        return np.argmin(distances, axis=1)
    
    def update_centroids(self, X, labels):
        new_centroids = np.zeros_like(self.centroids)
        for i in range(self.k):
            new_centroids[i] = X[labels == i].mean(axis=0)
        return new_centroids

以上是一个简单的在线学习的K-means聚类算法的源码，可以根据实际需求进行适当修改和拓展，例如添加更复杂的初始簇中心选择方法或调整更新簇中心的策略。