k-means算法比较简单。k-means算法中，用簇来表示簇；很容易证明k-means算法的收敛等价于所有质心不再变化。k-means算法的基本流程如下：简介，又称K-means算法，是无监督学习中的一种聚类算法。k-means算法的基本思想比较简单。k-means算法中，用簇来表示簇；很容易证明k-means算法的收敛等价于所有质心不再变化。基本的k-means算法过程如下：选择k个初始质心（作为初始簇，每个初始簇只包含一个点）；repeat：对于每个样本点，计算离它最近的质心，并将其类别标记为该质心对应的簇；重新计算k个簇对应的质心（质心为簇内样本点的均值）；直到质心不再变化12345次重复次数决定了算法的迭代次数。其实k-means的本质就是最小化目标函数，目标函数是每个点到其簇质心的距离的平方和：N是元素个数，x代表元素，c(j)表示第j个簇的质心算法复杂度时间复杂度为O(nkt)，其中n表示元素个数，t表示算法迭代次数，k表示簇数优缺点优缺点简单快速;对大数据集效率高，可扩展Scalable；时间复杂度接近线性，适合挖掘大规模数据集。缺点k-means是局部优化，因此对初始质心的选取比较敏感；选择能够达到目标函数最优功能的k值是非常困难的。代码代码已经在github上实现，这里也贴出测试数据集，获取地址为testSet
