K-means算法

此算法用于聚类
给你一些数据，他们的属性已经被数字化，你这么对他们进行聚类呢？
k-means是这么做的
其实只要一条数据是数字化的，就可以把他们看成一个点。我们把这些记录看成一个点群。
我们对一些事物进行分类，其实就是看他们距离的远近，正所谓物以类聚，人以群分嘛。
比如，我们想把他们聚成3类，我们可以随机的选三个不同点，然后把每个测试数据与这三个点求距离，这个测试数据与三个点中哪个距离最近，它就属于哪一类。一次迭代完成后，分成了三个群。但是，往往一次迭代就取结果是不科学的，因为，那三个点是你随机选的。你可以再进行迭代，这次再选三个点，这次这三个点怎么选呢？
k的选取：
肘点法，取k=1，2，3，n，观察他的损失函数，假设在k=2的时候，损失函数值在后面变化幅度很小，那么k=2就是比较合理的取值。

这样，刚才不是分成了三个群（A，B，C）吗？假如这些记录只有两个纬度（x,y）,我们把A群的所有点（n个）的x坐标相加／n，y坐标相加／n。这样就形成了一个新的点a1，其他群也是如此，然后形成了新的三个点a1,b1,c1。然后再让这些记录与一一的与这三个点求距离，与哪个点最近就归为哪一类。经过这一次迭代后，又产生了三个群，如果你想要更好的效果，就多进行几次迭代，直到那三个中心点点再也不会发生变化，或者每个样本点到他对应的中心点的距离之和不再发生很大变化，这时候就会产生最优的聚类结果。