K-means、K-means++、Mini Batch k-means

K-means

K-means算法的基本步骤

1.从n个数据中任意选择 k 个对象作为初始聚类中心
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.终止条件：如果计算后，聚类中心不发生改变

每个类别聚类中心的计算方法

每个类中所有样本取值的均值(质心)

k-means时间空间复杂度

时间复杂度：O(i* n* k* m)
空间复杂度：O(n* m)
k是需要聚类的数量，m为每个元素属性个数(向量的维度)，n为数据量，i为迭代次数
一般均可认为是常量，所以时间和空间复杂度可以简化为O(n)

改进

K-means是常用的聚类算法，但其算法本身存在一定的问题，例如在大数据量下计算时间过长就是一个重要问题，
可以从两方面进行改进，一方面：通过改变初始聚类中心的选择，从而减少迭代次数；另一方面：随机抽取一部分样本代表各自类型进行计算，而不是使用全部样本进行更新计算。主要是以下两个改进方法：K-means++、Mini Batch k-means

K-means+&#