K均值聚类算法

一、简介
K均值聚类算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。
二、名词解析
聚类：“类”指的是具有相似性的集合。聚类是指将数据集划分为若干类，使得类内之间的数据最为相似，各类之间的数据相似度差别尽可能大。
**欧氏距离：**欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

三、具体步骤

1. 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；
   2.计算样本中的数据与这些聚类中心的欧氏距离，按最近原则将这些数据分到距离它们最近的聚类中心所对应的类；
   3.将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；
   4.判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则用得到的新的聚类中心重新执行第二步。

四、优缺点
优点
（1）算法原理简单。需要调节的超参数就是一个k。
（2）由具有出色的速度和良好的可扩展性。
缺点：
（1）K值选取困难
（2）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。
（3）该算法需要不断地对数据样本进行聚类，不断地计算调整后的新的聚类中心，所以数据的时间是非常长的，应该对算法的时间复杂度进行分析、改进，提高算法应用范围。