說到聚類，得跟分類區別開來，分類是按人為給定的標準將樣本歸到某個類別中去，在機器學習中多是監督學習，也就是訓練樣本要給標籤（正確的類別資訊）；而聚類是在某種規則下自動將樣本歸類，在機器學習中是無監督學習，不需要提前給樣本打標籤。
k-means聚類演算法，就是在某種度量方式下，將樣本自動劃分到k個類別中去。比如，我想把隨機取的100個點劃分為3類，就可以用這種方法來做聚類。這裡的k是類別的個數，可以人為給定。
首先，k-means中的種子點初始值可以隨意給定，後面會在演算法中不斷修正；
其次，度量方式也可自選，比如對散點分類中的各種距離，或者樣本之間的相似係數等等；
最後，演算法中更新種子點的方式亦可自定。（ 文章中給出了三種更新種子點的方式）
演算法：step-1：任意選定k個種子點（每個種子點代表乙個類別）；
step-2：計算所有點（k個種子點可以不算）到k個種子點的「距離」；
step-3：對每個點，選擇「距離最小」的種子點，將該點歸於相應種子點類別；
step-4：按均值規則（或其他更新方法）更新種子點資訊；
step-5：迴圈step-2到step-4知道種子點不再變換或者達到最大迭代次數。
示例：在[0,1]上隨機撒500個點，按歐式距離將就近分為4類，種子點按均值規則更新，**在（ ）給出，以下是示例結果：
第一張圖
隨機撒的500個點及用不同顏色標註的任意選定的4個種子點
第二張圖
將500個點按距離遠近依次歸到4個類別中的結果
第三張圖
更新一次種子點並重新將500個點按距離歸到4類的結果
第四張圖
對這500個點和4個初始種子點的最終聚類演算法結果圖
K Means聚類演算法
k means聚類演算法 intergret kmeans演算法的基本思想是初始隨機給定k個簇中心，按照最鄰近原則把待分類樣本點分到各個簇。然後按平均法重新計算各個簇的質心，從而確定新的簇心。一直迭代，直到簇心的移動距離小於某個給定的值。k means聚類演算法主要分為三個步驟 1 第一步是為待聚類...
聚類演算法 K means
演算法接受引數 k 然後將事先輸入的n個資料物件劃分為 k個聚類以便使得所獲得的聚類滿足 同一聚類中的物件相似度較高 而不同聚類中的物件相似度較小。聚類相似度是利用各聚類中物件的均值所獲得乙個 中心物件 引力中心 來進行計算的。k means演算法是最為經典的基於劃分的聚類方法，是十大經典資料探勘演...
K means聚類演算法
k means聚類演算法 k means 演算法以 k 為引數，把 n 個物件分成 k 個簇，使簇內具有較高的相似度，而簇間的相似度較低。其處理過程如下 1.隨機選擇k個點作為初始的聚類中心 2.對於剩下的點，根據其與聚類中心的距離，將其歸入最近的簇 3.對每個簇，計算所有點的均值作為新的聚類中心 ...