k-means聚类算法

聚类算法

聚类算法是一种典型的无监督学习算法，该算法将样本划分为若干个不相交的簇。聚类结果簇内相似度高，簇间相似度低。常用的相似度计算方法为欧氏距离。
常用的聚类算法有：原型聚类、层次聚类、密度聚类

k-means算法

k-means算法首先随机选取k个质心，计算每个样本和k个质心的相似度（欧氏距离），选择相似度最高的质心所在的簇作为该样本的类别，形成k个簇。然后重新计算每个簇的质心（当前簇每个feature大小的平均值），再次调整每个样本所属类别，直到达到最大迭代次数或调整的幅度小于阈值，算法停止。
由于每次要计算所有样本与每个质心的相似度，故在大规模数据集上，k-means算法的收敛速度比较慢。

k-means算法流程

参考：
https://blog.csdn.net/google19890102/article/details/26149927