K-均值聚类（K-means）算法

        聚类算法，是一种无监督的学习方法，他将相似的对象归到统一簇中，簇内的对象越相似，聚类效果也就越好，我们用簇识别表示给出聚类结果的含义。他有点像全自动分类，假定有一些数据，现在将相似数据归到一起，簇识别会告诉我们这些簇到底都是什么；聚类和分类的最大不同在于，分类的目标事先已知，而聚类则不一样。因为其产生的结果与分类相同，而只是类别没有预先定义，聚类有时也被称为无监督学习。

        聚类算法的目的是将相似的对象聚到一起，所以我么就需要一个衡量对象相似度的方法。在机器学习中大多数都是用距离衡量对象之间的相似度的，聚类算法也是用距离来衡量。

• K-均值聚类算法

        K-均值聚类算法，是从给定的数据集的k个簇。簇个数k是用户给定的，每一个簇通过其质心，即簇中所有点的中心来描述。点与点之间的相似度计算，和KNN算法一样，我们用欧式距离来衡量。也可以用其他自己喜欢的距离度量方法。

        其算法的基本思路及过程如下：

1. 随机确定k个点作为初始的质心；
2. 分别计算集合中的点到这k个质心距离，并将每个点归到距离其最近的那个质心所在的簇；如果所有点所属的簇都没发生改变，则到步骤（4）
3. 分别计算2中生成的k个簇中所有点的均值，并将其作为新的质心。并返回步骤（2）。
4. 返回所有簇的质心。聚类结束。