我使用k均值对面部表情进行分类的方法是：
使用opencv检测图像中的人脸
使用ASM和障碍物获取面部特征点
计算面部特征之间的距离（如图所示）。将有5个距离。
计算每个面部表情的每个距离的质心（exp：在距离D1中，每个表情“快乐，生气...”都有7个质心）。
使用5个k均值，每个k均值有一段距离，并且每个k均值将具有最接近第一步中计算的质心的距离表示的表达式。
最终表达式将是出现在最多k均值结果中的表达式
但是，使用该方法我的结果是错误的吗？
我的方法正确还是在某个地方错误？
最佳答案
K均值不是分类算法。运行后，它仅查找K个元素的质心，因此将数据拆分为K个部分，但是在大多数情况下，它与所需的类没有任何关系。当您要探索数据并找到一些可区分的对象时，应使用此算法（作为所有聚类方法）。在任何意义上都是可区分的。如果您的任务是建立一个可以识别某些给定类的系统，那么这是一个classification问题，而不是clustering。 KNN（K近邻）是最容易实现和理解的最简单方法之一，它大致完成了您要完成的工作-检查哪些类的对象与某些预定义的对象最接近。
为了更好地了解差异，让我们考虑一下您的情况-您正在尝试根据面部特征检测情绪状态。在此类数据上运行k均值可以将您的面部照片分成许多组：
如果您使用不同人的照片，则可以将特定人的照片聚在一起（因为他们的距离彼此不同）
它可以将数据分解为例如男人和女人，因为在这些功能上存在性别差异
它甚至可以根据距相机的距离拆分数据，因为视角会改变您的功能，从而形成“集群”。
等等
如您所见，有数十种可能的“合理的”（甚至更完全不可解释的）分裂，而K均值（以及任何其他）聚类算法将简单地找到其中之一（在大多数情况下-不可解释的分裂）。分类方法用于克服此问题，以“解释”算法的期望。