关于小批量K均值（mini-batch K Means）的问题

mini-batch K Means是对普通的K Means计算效率的优化。

在普通的K Means的计算过程中，每次更新各聚类中心点时，需要计算所有点和每个聚类中心点的距离，所以代价特别昂贵。

而在mini-batch K Means的计算过程中，每次更新各聚类中心点时，先从所有数据中随机地选取一个小集合（也就是这里的mini-batch），根据这个集合中的数据点，来更新各聚类的中心点。下一次更新时，再重新从所有数据点中选取一个随机的小集合，如此重复，直到达到收敛条件。

mini-batch的思想就是用部分数据，而不是全部数据，来更新模型的参数。所以从这一点来说，mini-batch K means和mini-batch sgd是同一个思想。

为了加快k means算法的计算速度，每次迭代的时候，只选了小批量的随机数据，而不是全部数据，这个思想就是小批量k means。

更多细节可以参考 Mini Batch K-Means in Sklearn

一个类似的问题：Mini-batch K-Means实现online learning的原理是什么？

答案说得很清楚