K-Means聚类算法原理及实现

由于个人理解有限，难免有错误之处，欢迎指正。

k-means 聚类算法原理：

  1、从包含多个数据点的数据集 D 中随机取 k 个点，作为 k 个簇的各自的中心。

  2、分别计算剩下的点到 k 个簇中心的相异度，将这些元素分别划归到相异度最低的簇。两个点之间的相异度大小采用欧氏距离公式衡量，对于两个点 T0(x1,y2)和 T1(x2,y2)，T0 和 T1 之间的欧氏距离为：

欧氏距离越小，说明相异度越小

  3、根据聚类结果，重新计算 k 个簇各自的中心，计算方法是取簇中所有点各自维度的算术平均数。

  4、将 D 中全部点按照新的中心重新聚类。

  5、重复第 4 步，直到聚类结果不再变化。

  6、将结果输出。

  举例说明, 假设包含 9 个点数据 D 如下(见 simple_k-means.txt), 从 D 中随机取 k 个元素，作为 k 个簇的各自的中心, 假设选 k=2, 即将如下的 9 个点聚类成两个类(cluster)