kmean

将相似的对象归到同一个簇中，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同数据尽量分离。

K-Means 聚类的步骤如下：

1. 随机的选取K个中心点，代表K个类别；

2. 计算N个样本点和K个中心点之间的欧氏距离；

3. 将每个样本点划分到最近的（欧氏距离最小的）中心点类别中——迭代1；

4. 计算每个类别中样本点的均值，得到K个均值，将K个均值作为新的中心点——迭代2；

5. 重复步骤2、3、4；

6. 满足收敛条件后，得到收敛后的K个中心点（中心点不再变化）。

import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

X, y_true = make_blobs(n_samples=300, centers=4,
                       cluster_std=0.60, random_state=0)
plt.scatter(X[:, 0], X[:, 1], s=50)
plt.show()


"""
    KMeans(n_clusters=8, init='k-means++', n_init=10, ma