K-Means算法（思想）

K-Means算法的思想：

第一步：寻找最近的中心点

在给定的数据集上随机选取K（K已知）个点（向量）作为数据集上的K个中心（也就代表K个类别），然后依次遍历每一条数据，分别计算其与K个中心的距离，选择与之距离最近的点作为该数据所属的类别。这样一次遍历完之后，数据集中的所有点都被划入了其应该所属的类别里面（尽管有划错的）。

注意：初始中心点的选择，会影响到最终的分类结果，即可能不会收敛

第二步：重新计算中心

对于每一个类别来说，里面都有若干个点。由于之前的中心点事随机选取的，所以可定有不合理的中心点，于是我们就要重新计算中心点。然后再重复进行第一步的操作。

经过多次迭代前面两个步骤之后，最终的总代价将会收敛到一个最小值。此时的得到的聚类结果通常也就是最好的。

详细步骤：

现有如下数据集，欲将其分为3类，即K=3：

1.寻找最近的中心点

先随机取3个点${\mu }_1,{\mu }_2,{\mu }_3$作为中心点，然后分别计算每个点到${\mu }_1,{\mu }_2,{\mu }_3$的距离的平方（平方在计算的时候好处理，不含根号），选择最小的。其中，$\mu$为一个$K$