基于 划分方法 聚类- K均值 & K中心点（算法理论）

对n个观测的对象构建K个分区，每一个分区表示一个簇。
然后基于距离计算，首先需要给定一个分区数K。
特点： 适用于中小规模的球形数据簇。

K - 均值（误差平方和）
步骤：    1.在n个观测对象中随机选出K个观测对象，每一个观测对象代表一个簇。
        2.计算剩余的每一个对象到这些簇之间的欧氏距离，分配到最相似的簇中，然后在计算均值。
        3.使用计算出来的新的均值作为新的簇的中心，上述方式迭代，直到稳定形成最终的K个类。
        
缺点：    1.需要事先指定K的值。
        2.不适合对非球形簇 或者 大小差别很大的簇聚类。
        3.对离群点，异常值很敏感，有很大的误差。
        
        
        
K - 中心点（绝对误差标准）
步骤：    1.在n个观测对象中随机选出K个观测对象，每一个观测对象代表一个簇。
        2.计算剩余的每一个对象到这些簇之间的欧氏距离，分配到最近距离的簇中。
        3.计算非代表对象y代替代表对象的总代价S(非代表对象计算出来的绝对误差总和-代表对象计算出来的绝对误差总和)。
        4.S < 0 用非代表对象Y替换代表对象。
        5.迭代，直到稳定形成最终的K个簇。
        
缺点：    1.需要事先指定K的值。
        2.不适合对非球形簇 或者 大小差别很大的簇聚类。
        3.不适用于大数据集。