K-means算法

K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

k-means算法是属于数据分析中的无监督学习中一种聚类算法

实现K-means算法的步骤：

（1）首先根据数据量的大小确定k值，也就是准备划分为几类,例如k=3就是划分为3类

（2）随机给定各个聚类中心点,例如(x1,y1),(x2,y2),(x3,y3)，然后计算每个点到类中心的欧氏距离，也就是计算相似度。根据每个点和哪一个类中心的相似度最高来进行归类

（3）更新聚类中心：开始进行第二次聚类，根据上一次的分类，计算每一类中的所有点的均值，作为新的聚类中心，进行再次计算归类

（4）确定聚类中心，需要满足三个条件：

当聚类中心点不在变化

当分类的结果不再变化

给定一个阈值：当聚类中心达到某个区域的时候欧氏距离 d<0.01的时候，也可以确定

下面通过一个简单的例子来实现;

数