<tex>Q_{mse}(z, w) = \frac{1}{2}(y - f(x, w))^2 \ </tex>
=== Перцептрон K-Means === [[Файл:KMeansOnline.PNG|420px|thumb|right|K-Means]] Алгоритм K-Means можно получить, выполнив градиентный спуск в реальном времени со следующей функцией потерь: <tex>Q_{kmeans}(z, w) \stackrel{\triangle}{=} \stackrel{K}{\min_{k = 1}}(x - w(k))^2\ </tex>
[[ФайлЭта функция потерь измеряет ошибку в положении точки <tex>x</tex>, когда мы заменяем ее ближайшим центроидом, и удовлетворяет следующему условию при определенных ожиданиях <tex>E(x)</tex> и <tex>E(x^2)</tex>:RosenblattPerceptron.PNG|420px|thumb|right|Перцептрон Розенблатта состоит из фиксированной предварительной обработки и обучаемого порогового элемента]]
=== K<tex> \forall z, \forall \upsilon \in \vartheta (w), \mid Q(z, \upsilon) -Means ===Q(z, w)\mid \le \mid \upsilon - w\mid \Phi(z, w) \ </tex> Поэтому мы можем игнорировать недифференцируемые точки и применять алгоритм градиентного спуска в реальном времени.
[[Файл:KMeansOnline.PNG|420px|thumb|right|Метод k<tex> w_{t+1}^-средних отправляет заранее определенное количество центроидов кластера, чтобы минимизировать ошибку]]= w_t^- + \gamma_t(x_t - w_t) \ </tex>
== Источники информации ==
