K-means 算法迭代过程

K-means 算法的基本步骤：
 
    1.从 n个数据对象任意选择 k 个对象作为初始聚类中心迭代
    2.通过把每个点分配给最近的聚类中心，从而形成K个类 重新计算每个类的聚类中心
    3.终止 如果计算后，聚类中心不发生改变
 
看图：仔细看每张图的变化 更易理解 （k = 2）

K-means 算法优点
 
算法框架清晰，简单，容易理解。
本算法确定的k个划分到达平方误差最小。当聚类是密集的，且类与类之间区别明显时，效果较好。
对于处理大数据集，这个算法是相对可伸缩和高效的，计算的复杂度为O(NKt)，其中N是数据对象的数目，t是迭代的次数。一般来说，K<<N，t<<N 。
K-means 算法缺点
K-means算法中k是事先给定的，这个k值的选定是非常难以估计的。
算法的时间开销是非常大的。
K-means算法对异常数据很敏感。在计算质心的过程中，如果某个数据很异常，在计算均值的时候，会对结果影响非常大。