演算法過程如下：
1）從n個文件隨機選取k個文件作為質心
2）對剩餘的每個文件測量其到每個質心的距離，並把它歸到最近的質心的類
3）重新計算已經得到的個各類的質心
4）迭代2~3步直至新的質心與原質心相等或小於指定閾值，演算法結束
優點：1.演算法快速，簡單
2.對大資料集有較高的效率並且是可伸縮性的
3.時間複雜度接近於線性，而且適合挖掘大規模資料集。
時間複雜度o(nkt),其中n代表資料集中物件的數量，t代表著演算法迭代的次數，k代表著簇的數目。
缺點：1.k的值難以估計。
2.初始聚類中心的選擇對聚類結果有較大的影響。
3.當資料量非常大時，演算法的時間開銷也非常大。
K Means聚類演算法
k means聚類演算法 intergret kmeans演算法的基本思想是初始隨機給定k個簇中心，按照最鄰近原則把待分類樣本點分到各個簇。然後按平均法重新計算各個簇的質心，從而確定新的簇心。一直迭代，直到簇心的移動距離小於某個給定的值。k means聚類演算法主要分為三個步驟 1 第一步是為待聚類...
聚類演算法 K means
演算法接受引數 k 然後將事先輸入的n個資料物件劃分為 k個聚類以便使得所獲得的聚類滿足 同一聚類中的物件相似度較高 而不同聚類中的物件相似度較小。聚類相似度是利用各聚類中物件的均值所獲得乙個 中心物件 引力中心 來進行計算的。k means演算法是最為經典的基於劃分的聚類方法，是十大經典資料探勘演...
k means聚類演算法
說到聚類，得跟分類區別開來，分類是按人為給定的標準將樣本歸到某個類別中去，在機器學習中多是監督學習，也就是訓練樣本要給標籤 正確的類別資訊 而聚類是在某種規則下自動將樣本歸類，在機器學習中是無監督學習，不需要提前給樣本打標籤。k means聚類演算法，就是在某種度量方式下，將樣本自動劃分到k個類別中...