K-means算法思想
K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。
聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。
K-means算法步骤与伪代码
（1） 从 n个数据对象任意选择 k 个对象作为初始聚类中心；
（2） 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
（3） 重新计算每个（有变化）聚类的均值（中心对象）；
（4） 计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止；如果条件不满足则回到步骤（2）。
伪码：
1.选择K个点作为初始质心
2.repeat
3.将每个点指派到最近的质心，形成K个簇
4.重新计算每个簇的质心
5.until 簇不发生变化或达到最大迭代次数
优点与缺点
优点：易于实现
缺点：可能收敛于局部最小值，在大规模数据收敛慢
以上是简单理解kmeans算法，深入理解请移步：
