K-均值聚类

  刚刚写了篇分级聚类的，趁着余热，再写一下关于k-均值聚类的。

  为了突出k-均值聚类的特点，先黑一下分级聚类。跟k-均值聚类比起来，分级聚类算法有一下缺点：第一，的那个没有额外投入的时候，树形试图是不会真正将数据拆分成不同组的。第二，分级聚类的计算算法计算量相当大。当两个节点合并之后，节点之间的距离需要重新计算，当数据量较大时，计算量急速上升，不利于聚类分析。

  接着，开始介绍k-均值聚类。k-均值聚类算法开始时，先随即生成k个中心位置，然后根据一下算法执行：

    1，计算各个节点到各个中心点的距离

    2，对于每个节点，找到与之最近的中心点，将其归为该类。

     3，对步骤二划分好的的每一类中的节点取均值，作为新的中心点。

   4，重复执行第一步、第二步、第三步。

   多次迭代之后，聚类效果达到当前最佳。下面是图片演示：