k-means算法

非监督学习
k：将数据划分为多少个类别
过程：
1、随即设置k个特征空间内的点作为初始的聚类中心
2、对于其他每个点计算到k个中心的距离，未知的点选择最近的一个聚类中心点作为标记分类
3、接着对着标记的聚类中心之后，重新计算出每个聚类的新中心点（平均值）
4、如果计算得出的新中心点于原中心点一样，那么结束，否则重新进行第二步
聚类评估标准：
轮廓系数：
$$s{c}_i=\frac{b_i-a_i}{max(b_i,a_i)}$$
$i$为已聚类数据中的样本，$b_i$为$i$到其他类群的所有样本的距离最小值，$a_i$为$i$到本身类的距离平均值，取值范围为[-1,1]，最好情况为1，最坏为-1
优点：采用迭代式算法，直观易懂并且实用
缺点：容易收敛到局部最优解（多次随机聚类）