聚类算法-K-means

**********************K-means算法****************************

步骤：

1.从训练数据中随机选取k个初始点，作为k个初始簇的中心点

2.计算每个点到中心点的欧式距离，将其归并到距离最近的簇中，直至所有点划分完成

3.计算每个簇新的中心点

4.如果相对于原来中心点没有变化或者变化数值小于给定阈值，则算法结束，获得k个簇，否则以计算出的新的中心点为新的簇的中心，继续进行2,3操作，直至满足终止条件

*******************关于k值的选择*********************************

方法一：使用轮廓系数

轮廓系数（Silhouette Coefficient）结合了聚类的凝聚度（Cohesion）和分离度（Separation），用于评估聚类的效果。该值处于-1~1之间，值越大，表示聚类效果越好。

具体计算方法如下：

对于其中的一个点 i 来说：

计算 a(i) = average(i向量到所有它属于的簇中其它点的距离)

计算 b(i)  min (i向量到所有非本身所在簇的点的平均距离)

那么 i 向量轮廓系数就为：