K-Means聚类算法-模式识别
K-Means聚类算法 1. 算法原理 k-means是划分方法中较经典的聚类算法之一。由于该算法的效率高，所以在对大规模数据进行聚类时被广泛应用。目前，许多算法均围绕着该算法进行扩展和改进。
k-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。k-means算法的处理过程如下：首先，随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心;对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇;然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。通常，采用平方误差准则，其定义如下：
这里E是数据库中所有对象的平方误差的总和，p是空间中的点，mi是簇Ci的平均值。该目标函数使生成的簇尽可能紧凑独立，使用的距离度量是欧几里得距离,当然也可以用其他距离度量。k-means聚类算法的算法流程如下：
输入：包含n个对象的数据库和簇的数目k； 输出：k个簇，使平方误差准则最小。 步骤： (1) 任意选择k个对象作为初始的簇中心； (2) repeat； (3) 根据簇中对象的平均值，将每个对象(重新)赋予最类似的簇； (4) 更新簇的平均值，即计算每个簇中对象的平均值； (5) 直到不再发生变化。 2. 主要代码 主程序： clc; clear; close all;
%% 聚类算法测试 nSample = [500, 500, 500];
% 3维情况 dim = 3; coeff = { [-2 0.8; -1 0.9; 2 0.7;], .... [1 0.9; -2 0.7; -2 0.8; ], ... [-2 0.7; 2 0.8; -1 0.9; ], };
data = createSample(nSample, dim , coeff); %% 得到训练数据 nClass = length(nSample);
tlabel = []; tdata = [];
for i = 1 : nClass tlabel = [tlabel; i * ones(nSample(i), 1)]; tdata = [tdata; data{i}]; end
%% 调用k-means聚类算法 [ label ] = stpKMeans( tdata, nClass);
%% 绘图 result = cell(1, nClass); index = 0; for i = 1 : nClass index = find(label(:,1) == i); result{i} = tdata(index, :); end
figure; subplot(1, 2, 1); plot3(data{1}(:, 1), data{1}(:, 2), data{1}(:, 3), '*', ... data{2}(:, 1), data{2}(:, 2), data{2}(:, 3), 'o', ... data{3}(:, 1), data{3}(:, 2), data{3}(:, 3), 'x'); title('初始数据');
subplot(1, 2, 2); plot3(result{1}(:, 1), result{1}(:, 2), result{1}(:, 3), '*', ... result{2}(:, 1), result{2}(:, 2), result{2}(:, 3), 'o', ... result{3}(:, 1), result{3}(:, 2), result{3}(:, 3), 'x'); title('K-Means聚类结果'); K-Means核心算法： function [ label ] = stpKMeans( data, k)
%% KMeans 聚类算法，参考 % http://www.cnblogs.com/William_Fire/archive/2013/02/09/2909499.html
% %% 输入 % data 原始数据 % k 聚多少个簇 % %% 输出 % label 按照data数据的顺序，每个样本的簇号的列表
[n, dim] = size(data); label = zeros(n, 1);
% 任选k个对象作为初始的簇中心 seq = stpRandN_K(n, k); nowMeans = data(seq, :); for i = 1 : k label(seq(i)) = i; end
dist = zeros(n, k); while(true) % 计算数据到每个簇的欧几里得距离 for i = 1 : k temp = data;
for j = 1 : dim % 先让数据减去第j个特征 temp(:, j) = data(:, j) - nowMeans(i, j); end % 点乘后再相加球的距离的平方 temp = temp .* temp; dist(:, i) = sum(temp, 2); end % 从k种距离中找出最小的，并计算修改次数（label跟上一次不一样） [~, label2] = min(dist, [], 2); editElem = sum(label(:, 1) ~= label2(:, 1)); label = label2;
% for i = 1 : n % % 根据均值将当前的每个元素重新分簇 % minDist = inf; % index = -1; % % 从当前的k个均值中找到离元素i最近的一个，将其划分到该簇 % for j = 1 : k % dist = data(i,:) - nowMeans(j, :); % dist = dot(dist, dist); % % if(dist < minDist) % % 修改最近的距离，并记录测试的簇号 % minDist = dist; % index = j; % end % end % % % 判断是该元素是否重新划分了簇 % if(index ~= label(i) ) % editElem = editElem + 1; % label(i) = index; % end % % end
if editElem == 0 % 表示本次没有修改，那么跳出循环 break; end
% 重新分簇后，重新计算均值 for i = 1 : k % 计算第k簇的均值 [index] = find(label(:, 1) == i ); nowMeans(i, :) = mean(data(index, :)); end end end 从n个元素中随机抽取K个元素的代码： function [ out ] = stpRandN_K(n, k) %% 从1-n中随机选中k个不同的元素
data = 1 : n; for i = 1 : k index = floor( (n-i+1)*rand() ) + i; % 交换i和index上的数据 temp = data(index); data(index) = data(i); data(i) = temp; end out = data(1:k); end 图片聚类测试代码： close all; clc; clear;
rgbdata = imread('data\\g-1.jpg'); labdata = stpRgb2Lab(rgbdata);
[sm, sn, ~] = size(labdata); sN = sm * sn; nClass = 4; labdata = reshape(labdata, sN, 3); [ label ] = stpKMeans( labdata, nClass); label = reshape(label, sm, sn); figure; subplot(1, 2, 1);imshow(rgbdata); hold on; subplot(1, 2, 2); TX = 1 : sn; TY = 1 : sm; imagesc(TX, TY, label);
3. 结果分析 针对给定的参数
K-Means算法三类聚类结果： 图1 初始数据和K-Means聚类结果 当初始数据给为如下时：
K-Means算法三类聚类结果：
图2 初始数据和K-Means聚类结果 由此可以看到，K-Means算法会把一些偏离中心较远的点分到其它簇内。
4. 用于图片的结果 以图片的在Lab颜色空间的三通道作为三个特征，每个像素为一个样本点，进行图片聚类，此时，如果类数为8，则得到：
k-means算法
k-means算法k-means算法是无监督学习领域最为经典的算法之一。
接触聚类算法，首先需要了解k-means算法的实现原理和步骤。
本文将对k-means算法的基本原理和实现实例进行分析。
希望对喜欢机器学习的童鞋们，有一定的帮助和启发。
首先看看wiki上对k-means算法的基本阐述。
k-means clustering is a method of vectorquantization, originally from signalprocessing, that is popular for clusteranalysis in data mining. k-means clusteringaims to partition n observations into kclusters in which each observation belongs tothe cluster with the nearest mean, serving asa prototype of the cluster.可以看出，k-means算法就是将 n 个数据点进行聚类分析，得到 k 个聚类，使得每个数据点到聚类中心的距离最小。
而实际上，这个问题往往是NP-hard的，以此有许多启发式的方法求解，从而避开局部最小值。
值得注意的是，k-means算法往往容易和k-nearest neighbor classifier（k-NN）算法混淆。
后者是有监督学习的分类（回归）算法，主要是用来判定数据点属于哪个类别中心的。
A simple example for k-means clusteringk-means算法有很多应用：•图像分割（Image Segmentation）•基因分割数据聚类分析（Clustering GeneSegementation Data）•新闻聚类分析（News Article Clustering）•语言聚类分析（Clustering Languages）•物种分析（Species Clustering）•异常检测（Anomaly Detection）•\cdots数学描述给定数据集 X=\{x^{(1)},x^{(2)},\cdots,x^{(n)}\} ，其中每个数据样本 x^{(i)}\in \mathbb{R}^d . k-mean算法旨在将 n 个数据点划分为 k(k\leq n) 个聚类集合\bm{S}=\{S_1,S_2,\cdots,S_k\} ，使得每个聚类集合中的样本点与聚类中心的距离平方和最小（WCSS, within-cluster sum of squares），i.e. 方差最小。
聚类分析
第三章 聚类分析
本章要点
一、引言 二、聚类标准 三、k-means算法 四、EM算法 五、案例分析
02:18:02
《医学信息分析与决策》课程组
2
一、引言
对某城市年龄范围为25岁～55岁的中青年人群 进行调查。调查数据项包括年龄、性别等项。
02:18:02
《医学信息分析与决策》课程组
cos 0,25,0T 0
25
02:18:03
《医学信息分析与决策》课程组
10
三、k-means算法
k-means算法以距离值的平均值对聚类成员进行 分配，如果一个对象属于一个聚类，则该数据一 定比较靠近聚类的中心
02:18:03
《医学信息分析与决策》课程组
11
三、k-means算法
对二维坐标中的5个点｛X1,X2,X3,X4,X5｝作聚 类分析。5个二维样本为：X1＝（0,2），X2＝ （0,0），X3＝（1.5,0），X4＝（5,0），X5＝ （5,2）。假设要求的簇的数量k=2。
Emotion 情绪状态 smoking
吸烟
coronary heart disease
冠心（心 脏）病
02:18:03
《医学信息分析与决策》课程组
30
五、案例分析
02:18:03
《医学信息分析与决策》课程组
31
五、案例分析
Microsoft聚类分析通过其查看器来解释，SQL Server Analysis Server提供的聚类分析查看器 有4个选项卡。聚类之间是相互联系的，通过单 独的某一个视图难以理解挖掘模型，但可以同时 使用这些视图。
欧氏距离法
X Xi (X Xi )T (X Xi )
一种基于遗传算法的Kmeans聚类算法
一种基于遗传算法的K-means聚类算法一种基于遗传算法的K-means聚类算法摘要：传统K-means算法对初始聚类中心的选取和样本的输入顺序非常敏感，容易陷入局部最优。
针对上述问题，提出了一种基于遗传算法的K-means聚类算法GKA，将K-means算法的局部寻优能力与遗传算法的全局寻优能力相结合，通过多次选择、交叉、变异的遗传操作，最终得到最优的聚类数和初始质心集，克服了传统K-means 算法的局部性和对初始聚类中心的敏感性。
关键词：遗传算法；K-means；聚类聚类分析是一个无监督的学习过程，是指按照事物的某些属性将其聚集成类，使得簇间相似性尽量小，簇内相似性尽量大，实现对数据的分类[1]。
聚类分析是数据挖掘技术的重要组成部分，它既可以作为独立的数据挖掘工具来获取数据库中数据的分布情况，也可以作为其他数据挖掘算法的预处理步骤。
聚类分析已成为数据挖掘主要的研究领域，目前已被广泛应用于模式识别、图像处理、数据分析和客户关系管理等领域中。
K-means算法是聚类分析中一种基本的划分方法，因其算法简单、理论可靠、收敛速度快、能有效处理较大数据而被广泛应用，但传统的K-means算法对初始聚类中心敏感，容易受初始选定的聚类中心的影响而过早地收敛于局部最优解，因此亟需一种能克服上述缺点的全局优化算法。
遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化搜索算法。
在进化过程中进行的遗传操作包括编码、选择、交叉、变异和适者生存选择。
它以适应度函数为依据，通过对种群个体不断进行遗传操作实现种群个体一代代地优化并逐渐逼近最优解。
鉴于遗传算法的全局优化性，本文针对应用最为广泛的K-means方法的缺点，提出了一种基于遗传算法的K-means聚类算法GKA(Genetic K-means Algorithm)，以克服传统K-means算法的局部性和对初始聚类中心的敏感性。
用遗传算法求解聚类问题，首先要解决三个问题：(1)如何将聚类问题的解编码到个体中；(2)如何构造适应度函数来度量每个个体对聚类问题的适应程度，即如果某个个体的编码代表良好的聚类结果，则其适应度就高；反之，其适应度就低。
kmeans 聚类算法
kmeans 聚类算法Kmeans聚类算法Kmeans聚类算法是一种基于距离的无监督机器学习算法，它可以将数据集分为多个类别。
Kmeans算法最初由J. MacQueen于1967年提出，而后由S. Lloyd和L. Forgy独立提出。
目前，Kmeans算法已经成为了机器学习领域中最常用的聚类算法之一。
Kmeans算法的基本思想是将数据集划分为k个不同的簇，每个簇具有相似的特征。
簇的数量k是由用户指定的，算法会根据数据集的特征自动将数据集分成k个簇。
Kmeans算法通过迭代的方式来更新每个簇的中心点，以此来不断优化簇的划分。
Kmeans算法的步骤Kmeans算法的步骤可以概括为以下几个步骤：1. 随机选择k个点作为中心点；2. 将每个数据点与离它最近的中心点关联，形成k个簇；3. 对于每个簇，重新计算中心点；4. 重复2-3步骤，直到簇不再变化或达到最大迭代次数。
Kmeans算法的优缺点Kmeans算法的优点包括：1. 算法简单易实现；2. 能够处理大规模数据集；3. 可以处理多维数据。
Kmeans算法的缺点包括：1. 需要用户指定簇的数量；2. 对于不规则形状的簇，效果不佳；3. 对于包含噪声的数据集，效果不佳。
Kmeans算法的应用Kmeans算法在机器学习和数据挖掘中有着广泛的应用。
以下是Kmeans算法的一些应用：1. 图像分割：将图像分为多个不同的区域；2. 文本聚类：将文本数据划分为多个主题；3. 市场分析：将消费者分为不同的群体，以便进行更好的市场分析；4. 生物学研究：将生物数据分为不同的分类。
总结Kmeans聚类算法是一种基于距离的无监督机器学习算法，它可以将数据集分为多个类别。
Kmeans算法的步骤包括随机选择中心点、形成簇、重新计算中心点等。
Kmeans算法的优缺点分别是算法简单易实现、需要用户指定簇的数量、对于不规则形状的簇效果不佳等。
Kmeans算法在图像分割、文本聚类、市场分析和生物学研究等领域有着广泛的应用。
K-means与ISODATA算法的比较研究
中数据点的个数。聚类结果的好坏用目标函数 J 表 示： ������ ������ J= ������ (2-1) ������ =1 ������ =1 ������������������ ������������ , ������������ 公式（2-1）中，������������������ (xj，������������ )是 xj 与 ci 之间的欧氏 距离。目标函数 J 其实是每个数据点与所在簇的质 心的距离之和，所以 J 值越小，簇就越紧凑、越相 对独立。因此，算法通过不断优化 J 的取值来寻求 好的聚类方案，当 J 取极小值时，对应的聚类方法 即为最优方案。 K-means 算法步骤如下： （1） 从 X 中随机选择 k 个初始参照 c1， c2， ……， ck。 （2）在第 n 次迭代中，对任意一个样本，求其 到 k 个中心的距离，将该样本归到距离最短的中心 所在的类。 （3）利用均值等方法更新该类的中心值。 （4）对于所有的 k 个聚类中心，如果利用（2） （3） 的迭代法更新后， 值保持不变 （目标函数收敛） ， 则迭代结束，否则继续迭代。 （5）输出聚类结果。 K-means 算法的流程如图 2-1 所示。 开始
2.1K-means 算法简介 K-means 算法是一种古老的、广泛使用的聚类 算法。K-means 算法简单并且适用各种数据类型， 而且有效。K-means 算法是一种典型的基于划分的 方法，目标是根据输入参数 k，将数据集划分成 k
个簇。 K-means 聚类算法是目前应用最广泛的划分聚 类算法之一，适用于处理庞大的样本数据[5]。 根据初始值、相异度、聚类平均值计算策略上 的不同，K-均值方法有很多变种，对于数据分布比 较接近球体的情况有很好的聚类效果。 2.2K-means 算法的基本思想 K-means 算法根据输入参数 k，将数据集划分 成 k 个簇。 算法采用迭代更新的方法： 在每一轮中， 依据 k 个参照点将其周围的点分别组成 k 个簇，而 每个簇的质心被视为下一轮迭代的参照点。迭代使 得选取的参照点越来越近真实的簇质心，所以聚类 效果越来越好。 K-means 聚类算法的原理是：首先随机选取 k 个点作为初始聚类中心，然后计算各个样本到聚类 中心的距离，把样本鬼到离它最近的那个聚类中心 所在的簇；对调整后的新簇计算新的聚类中心，如 果相邻两次的聚类中心没有任何变化，说明样本调 整结束，这时某个误差平方和函数已经达到最小， 聚类准则函数已经收敛，算法结束。 2.3K-means 算法的主要步骤 将 d 维数据集 X={xj|xj∈Rd，i=1,2,……，N}聚 集成 k 个簇 W1，W2，……，Wk，它们的质心依次 1 为 c1，c2，……，ck，其中 ci= ������∈������ ������ ������ ，ni 是簇 Wi
聚类算法_实验报告
一、实验背景随着大数据时代的到来，数据量呈爆炸式增长，如何有效地对海量数据进行处理和分析成为了一个重要课题。
聚类算法作为一种无监督学习方法，在数据挖掘、模式识别等领域有着广泛的应用。
本实验旨在通过实际操作，了解聚类算法的基本原理、实现方法及其在实际问题中的应用。
二、实验目的1. 理解聚类算法的基本原理和流程；2. 掌握K-means、层次聚类、DBSCAN等常用聚类算法；3. 分析不同聚类算法在处理不同类型数据时的优缺点；4. 学会使用聚类算法解决实际问题。
三、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 数据库：Pandas4. 机器学习库：Scikit-learn四、实验内容1. K-means聚类算法（1）数据准备本实验使用的数据集为Iris数据集，包含150个样本，每个样本有4个特征。
（2）算法实现使用Scikit-learn库中的KMeans类实现K-means聚类算法。
（3）结果分析通过绘制样本分布图，观察聚类效果。
根据聚类结果，将样本分为3类，与Iris数据集的类别标签进行对比。
2. 层次聚类算法（1）数据准备本实验使用的数据集为鸢尾花数据集，包含150个样本，每个样本有4个特征。
（2）算法实现使用Scikit-learn库中的AgglomerativeClustering类实现层次聚类算法。
（3）结果分析通过绘制树状图，观察聚类过程。
根据聚类结果，将样本分为3类，与鸢尾花数据集的类别标签进行对比。
3. DBSCAN聚类算法（1）数据准备本实验使用的数据集为Iris数据集。
（2）算法实现使用Scikit-learn库中的DBSCAN类实现DBSCAN聚类算法。
（3）结果分析通过绘制样本分布图，观察聚类效果。
根据聚类结果，将样本分为3类，与Iris 数据集的类别标签进行对比。
五、实验结果与分析1. K-means聚类算法K-means聚类算法在Iris数据集上取得了较好的聚类效果，将样本分为3类，与真实标签一致。
K-Means算法中K值的确定
K-Means算法中K值的确定聚类算法在数据处理中有广泛的应用，K-Means算法是一种较为常用且有效的聚类算法。
但它有一个缺点，在进行算法之前需要预先给出聚类的个数。
因此，如何在K-Means算法中确定合适的K值成为该算法的一大问题。
本文讨论了几种常用的确定K值的方法，并详细讨论了一种利用评价函数判断K值好坏的方法，之后在若干个数据集中进行了测试，取得了较好的效果。
1.1 聚类算法的演变正所谓，物以类聚，人以群分。
将可识别的物体进行分类一直以来都是符合人类的基本认知规律的。
早在公元前三世纪的古希腊，分类学就已经作为一门科学盛行于当下，而作为其代表人物的亚里士多德不仅对五百余种不同的动植物进行了分类，还对五十余种动物进行了解剖，并首先指出鲸鱼是胎生的。
我国著名医药学家李时珍外出至我国的各大名山大川考察，尝遍百草，将千余种植物分为五部，三十类。
俄罗斯著名化学家门捷列夫更是首创了元素周期表，将化学元素依其质子数分门别类，并以此对一些尚未被发现的元素作出预言。
可以看到的是，不论在人类的何种时期，将事物分门别类都是一个恒久的问题。
在工业时代之前，通过人工的方法进行分类尚且是没有问题的。
然而，在信息革命后的今天，我们若还是一味的依赖传统方法，就将难逃被时代淘汰的命运。
因为信息时代所需要分门别类的，是海量的数据。
而面对这样规模的数据，人工的方法将会有过大的消耗，再加上人类对于数据的认知是十分抽象的，缺乏直观的认识，因此其效果大打折扣。
面对这些问题，聚类分析应运而生。
聚类分析，又名群分析。
它以相似性为基础，在没有鲜艳信息的前提下，将看似无序的研究样本分类成多个类簇。
其原则是组内的相似性较高，而组间的相似性较低。
它的起源便是上文所提到的分类学。
在早期的分类学中，人们主要依靠经验和专业知识进行分类。
纵观人类科技发展史，随着科技进程的不断推进，当原始的分类方法不足以满足我们对分类的需求，人们便将数学工具应用到分类学中，逐步形成了数值分类学、聚类分析等学科。
k-means 算法建筑物提取
k-means 算法建筑物提取
k-means算法常用于建筑物提取。
它通过聚类分析方法，随机地查找聚类簇的聚类相似度相近的中心位置，然后迭代地重新配置它们，完成分类过程。
在建筑物提取中，k-means算法可以用于提取建筑物和其他地物的特征，例如高度、形状、颜色等，从而将这些特征作为聚类标准，将建筑物与其他地物进行分类。
此外，k-means算法还可以与其他图像处理技术结合使用，例如阈值分割、边缘检测等，以进一步优化建筑物的提取效果。
需要注意的是，k-means算法的参数选择和初始中心点的选择对聚类结果有一定的影响，因此在实际应用中需要进行多次试验和调整，以获得最佳的分类效果。
聚类算法
层次聚类算法优缺点及改进算法
• 优点：适用于任意形状和任意属性的数据集，灵活控制不 同层次的聚类粒度，强聚类能力。 • 缺点：大大延长了算法的执行时间，不能回溯处理。
层次聚类方法尽管简单，但经常会遇到合并或分裂点 的选择的困难。改进层次方法的聚类质量的一个有希望的 方向是将层次聚类和其他聚类技术进行集成，形成多阶段 聚类。下面介绍两个改进的层次聚类方法BIRTH 和CURE 。
层次聚类
当采用划分聚类方法（如k-means）K值选取十分困 难时，我们不妨考虑可以考虑层次聚类。层次聚类是另一 种主要的聚类方法，它具有一些十分必要的特性使得它成 为广泛应用的聚类方法。它生成一系列嵌套的聚类树来完 成聚类。单点聚类处在树的最底层，在树的顶层有一个根 节点聚类。根节点聚类覆盖了全部的所有数据点。 可根据其聚类方式划分为：凝聚（自下而上）聚类和 分裂（自上而下）聚类。层次凝聚的代表是AGNES算法 。层次分裂的代表是DIANA算法。
BIRCH算法试图利用可用的资源来生成最好的聚类结 果。通过一次扫描就可以进行较好的聚类，故该算法的计 算复杂度是O(n)，n是对象的数目。
CURE聚类算法
很多聚类算法只擅长处理球形或相似大小的聚类，另 外有些聚类算法对孤立点比较敏感。CURE算法解决了上 述两方面的问题，选择基于质心和基于代表对象方法之间 的中间策略，即选择空间中固定数目的具有代表性的点， 而不是用单个中心或对象来代表一个簇。该算法首先把每 个数据点看成一簇，然后再以一个特定的收缩因子向簇中 心“收缩”它们，即合并两个距离最近的代表点的簇。
同分类不同，对于一个分类器，通常需要你告诉它 “这个东西被分为某某类”这样一些例子，理想情况下， 一个 分类器会从它得到的训练集中进行“学习”，从而具 备对未知数据进行分类的能力，这种提供训练数据的过 程通常叫做监督学习。 而在聚类的时候，我们并不关心某一类是什么， 我们需要实现的目标只是把相似的东西聚到一起，一个 聚类算法通常只需要知道如何计算相似 度就可以开始工 作了，因此 ，聚类通常并不需要使用训练数据进行学习， 这在 机器学习中被称作无监督学习。
k means算法原理
k means算法原理
k-means算法是一种无监督学习的聚类算法，其原理是通过计
算各个数据点与K个初始聚类中心的距离，并将数据点分配
到距离最近的聚类中心所代表的聚类中。
然后，根据被分配到每个聚类中的数据点重新计算聚类中心，重复上述步骤直到聚类中心不再改变或达到指定的迭代次数。
具体步骤如下：
1. 随机选择K个初始聚类中心点。
这些中心点可以是随机选
择的样本点，也可以是通过其他启发式方法选择的。
2. 对于每个数据点，计算其与K个聚类中心的距离，并将其
分配到距离最近的聚类中心所代表的聚类中。
3. 对于每个聚类中的数据点，重新计算其所属聚类中心。
通常，这是通过计算聚类内数据点的平均值得到的。
4. 重复步骤2和3，直到聚类中心不再改变或达到指定的迭代
次数。
k-means算法的优点是简单易懂、计算效率高，适用于大规模
数据集。
但也存在一些缺点，如对初始聚类中心的敏感性和对类别数K的事先知识要求较高。
此外，k-means算法只能得到
球状聚类，对于非球状聚类效果较差。