聚类（1）-- k-means clustering

作为一种无监督数据分析技术，聚类算法不需要提供导师信息，通过数据间的统计相关特性，采用迭代等方法实现相比不同cluster内部数据点间的相似程度，相同cluster数据点之间的相似性更高。

作为最传统的聚类算法，k-means试图迭代计算一组聚类中心，使得在欧氏距离下，所有数据点到各自所在cluster的聚类中心的距离和最小，也就是使得within-cluster scatter matrix的trace最小，详细说明如下（由于不能使用公式编辑器，下文中公式看起来比较费劲，还请谅解哦）。

其中within-cluster scatter matrix如下定义：

Sw = sum(Si),i = 1,2,K，其中K为cluster的个数，Si是每个cluster的scatter matrix，如下：

Si = sum((x-mi)(x-mi)')(对所有x求和), x是第i个cluster中的数据点，(x-mi)'表示(x-mi)的转置，mi为第i个cluster的均值。

又有：total scatter matix St = sum((x-m)(x-m)')（对所有x求和），x是数据集中X的数据点，m是所有数据点均值，即 m = sum(x)/n （对所有x求和）= sum(ni*mi)/n（对所有cluster求和），其中ni表示第i个cluster中数据点个数。

between-cluster matrix Sb = sum(ni*