聚类算法

1. 初始随机选择K个样本作为类中心点

初始点的选择很重要，可能会产生上述情况。因此可以考虑多次初始化初始点并观察结果。可以考虑运行K-means 100次这样，当聚类类别K在2-10以内多次随机比较好。当聚类类别K过多时,多次随机初始化可能并不会带来提升。

2. 迭代中聚类中心点的选取

通常是计算每一个簇中样本点均值作为下次的中心点（K-means)。也可以中位数（k-median），类中到其他所有点的距离之和最小的样本作为中心点（k-medoids），距离均值最近的样本作为中心点（K-centers）等。

3. 停止条件

当失真函数最小时。当中心点不在发生变化时，当所有分类结果不发生改变时，达到指定迭代次数时。

4. 问题

K的选择问题：肘部法则；根据实际目的，如尺码设定选择K