k-means聚類演算法（k-平均/k-均值演算法）是最為經典也是使用最為廣泛的一種基於距離的聚類演算法。基於距離的聚類演算法是指採用距離作為相似性量度的評價指標，也就是說當兩個物件離得近時，兩者之間的距離比較小，那麼它們之間的相似性就比較大。
演算法的主要思想是通過迭代過程把資料集劃分為不同的類別，使得評價聚類效能的準則函式達到最優，從而使生成的每個聚類（又稱簇）緊湊且獨立。
k-means聚類演算法的缺點：對於離群點是敏感的，乙個很大極端值的資料物件可能會顯著地扭曲資料的分布。
常見的相似度/距離評價準則有：
其意義就是兩個元素在歐氏空間中的集合距離，因為其直觀易懂且可解釋性強，被廣泛用於標識兩個標量元素的相異度。
聚類效能評價準則：
k-means聚類演算法通常使用誤差平方和準則函式（等同於歐幾里得距離）來評價聚類效能。給定資料集x，其中只包含描述屬性，不包含類別屬性。假設x包含k個聚類子集x1,x2,…xk；各個聚類子集中的樣本數量分別為n1，n2,…,nk;各個聚類子集的均值代表點（也稱聚類中心）分別為m1，m2,…,mk。
作為乙個聚類分析的二維樣本，要求的簇的數量k=2。
學習參考：
示例計算有誤，思路沒問題。
加了對資料[0,1]規格化處理的環節，中心思想還是一樣的。
文字聚類，可以做輿情資訊彙總，分詞軟體rost cm6。
聚類，k-means基礎上的改良。對小資料集有效。
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...