spherecluster：单位球面的聚类例程

在scikit-learn中的单元超球面上聚类 演算法 此软件包实现了scikit-learn的Banerjee等人在JMLR 2005 概述的三种算法。 球形K均值（spkmeans） 球形K均值与常规K均值的不同之处在于，它在每个最大化步骤结束时（即归一化质心）将估计的聚类质心投影到单位球体上。 冯·米塞斯·费舍尔分布（movMF）的混合 就像通过均值和方差来参数化高斯分布一样，具有均值方向$\mu$和浓度参数$\kappa$ 。 从vMF分布得出的每个点$x_i$和平均方向$\|\mu\|_2 = 1$生活在单位超球面$\S^{N-1}$ （即$\|x_i\|_2 = 1$ ）的表面上$\|\mu\|_2 = 1$ 。 较大的$\kappa$会导致点集中度更高。 如果我们的数据作为一种模式米塞斯费舍尔分布的，我们有一个额外的重量参数$\alpha$在混合物中各分布。 movMF算法通过期望最大化（EM）估计混合参数，使我们能够相应地对数据进行聚类。 软运动MF 估计每个类别的每个示例的实值后验。 从某种意义上说，这使我们可以进行软聚类，因为每个数据点都有聚类的可能性。