聚类算法之k-均值，k-中心点

k-means和k-中心点算法是属于简单的迭代型聚类算法，它将一个给定的数据集分为用户指定的k个聚簇。实现和运行该算法都很简单，它的速度比较快，同时又易于修改，所以在实际应用中使用非常广泛。

K-means算法

k-means算法是硬聚类算法，是典型的基于原型的目标函数聚类算法的代表。它是数据点到原型的某种距离作为相似性的评价指标，即两个对象的距离越接近，其相似度就越大。算法采用误差平方和准侧函数作为聚类准则函数。

算法实现

    输入：

       k：簇的数目

       D：包含n个对象的数据集

   输出：k个簇的集合

   方法：

    （1）：从D中任意选择k个对象作为初始簇中心

    （2）：repeat

    （3）：    根据簇中的对象的均值，将每个对象分配到最相似的簇

    （4）：    更新簇均值，即重新计算每个簇中对象的均值

    （5）：util不再发生变化

k-means方法是不保证收敛于全局最优解，并且它通常终止于一个局部最优解。结果可能依赖于初始簇中心的随机选取。

k-means算法的优点：

1：是聚类算法中的一种经典，快速，简单的算法

2：对处理大数据集，该算法保持可伸缩性和可扩展性

3：当簇接近高斯分布时，结果较好

k-means算法的缺点：

1：在簇的平均值可被定义的情况下才能使用，可能不适用于某些应用，比如说标量数据

2：在 K-means 算法中 K 是事先给定的，这个 K 值的选定是非常难以估计的。很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适。

3：在 K-means 算法中，首先需要根据初始聚类中心来确定一个初始划分，然后对初始划分进行优化。这个初始聚类中心的选择对聚类结果有较大的影响，一旦初始值选择的不好，可能无法得到有效的聚类结果。

4：该算法需要不断地进行样本分类调整，不断地计算调整后的新的聚类中心，因此当数据量非常大时，算法的时间开销是非常大的。

5：若簇中含有异常点，将导致均值偏离严重（即:对噪声和孤立点数据敏感）。

6：不适用于发现非凸形状的簇或者大小差别很大的簇。

k-means算法的改进

1、很多时候