k-means（一）

1.聚类分析

        聚类分析仅根据在数据中发现的描述对象及其关系的信息，将数据对象分组。其目标是，组内对象相互之间的相似的（相关的），而不同组之间的对象是不同的（不相关的）。组内的相似性越大，组间差别越大，聚类就越好。

        聚类分析将数据将数据划分为有意义或有用的组（簇）。如果目标是划分为有意义的组，则簇应当捕获数据的自然结构。然而，在某种意义下，聚类分析只是其他目的的起点。无论是旨在理解还是应用，聚类分析都在广泛的领域扮演着重要的角色。这些领域包括：心理学和其他社会学，生物学，统计学，模式识别，信息检索、机器学习和数据挖掘。

       聚类分析在许多实际问题上都有应用，在商务上，聚类能够帮助市场分析人员从客户基本库中发现不同的客户群，并且用购买模式来刻画不同的客户群的特征。在生物学上，聚类能够用于推导植物和动物的分类，对基因的分类，获得对种群中固有结构的认识。聚类也能够用于对web上的文档进行分类，以发现信息。作为一个数据挖掘的功能，聚类分析能够作为一个独立的工具来获得数据分布的情况，观察数据簇的特点，集中对特定的某些簇作进一步的分析。此外，聚类分析可以作为其他算法（如特征和分类等）的预处理步骤，这些算法再在生成簇上进行处理。