K-means++ 中选择初始聚类中心

K-means++算法是K-means算法的改进，与原算法不通的地方仅在于初始化K个聚类中心上，算法的主要思想如下。

这里主要详细的介绍下Step2中的新的聚类中心选择算法。
假设有如下8样本：
Step1:首先随机选择第一个聚类中心，假设我们选到了6号。
Step2:我们计算剩下的点到6号点的距离，如下，P其中
$$P(x)=\frac{D(x{)}^2}{sum(D(x{)}^2)}$$
D(x),为样本到聚类中心的距离，Sum 为概率和

$D(x{)}^2$越大，对应的概率值越。就相当于一条线段，每个$(D(x){)}^2$都是上面的一个子线段，现在随机丢一个东西到这个线段上，那么子线段越长落在该区间的可能性越大，这就是K-means++算法中以概率最大选择初始化聚类中心。
求Sum的原因是，在实际的过程中，我们一般通过轮盘选择法来选择上述中的子线段，具体的操作是：随机选择0-1中的一个数，取其落入的区间即可。
加入现在random的值为0.6，那么新的聚类中心落在（0.525，0.65）这个区间内，则选择样本3作为新的聚类中心。
从上述的图表中我们可以发现，第一个聚类中心6附近的点对应的概率区间都很小，这就使得我们在选择新的样本中心时，会尽可能的选择离上个聚类中心远的点作为新的聚类中心。

个人理解

之所以用概率选择，而不是直接选择距离最远的点作为新的聚类中心，是为了避免噪音点带来的干扰，但是我有点不明白的是，在上述的表中，如果有个噪音点离正常的样本点非常远，那么其对应的概率岂不是非常大，那么被选中的概率也非常大？这里是否有改进分空间，比如根据再某个范围类的样本点的个数给距离加上权重？