K-Means算法：算法原理、流程步骤

K-Means算法：算法原理、流程步骤

K-Means算法是一个经典的聚类算法，它接受输入参数k，然后将n个数据对象划分为k个聚类，使所获得的聚类满足以下两个条件。

1）同一聚类中的对象之间的相似度较高。

2）不同聚类中的对象之间的相似度较小。

其中，“聚类相似度”是利用各聚类中对象的均值来获得一个“中心对象”的方式计算，K-Means算法的基本步骤如图4-2所示。

步骤1，在原始数据集中任意选择k个对象作为“初始聚类中心对象”，如k=2。

步骤2，计算其他对象与初始聚类中心之间的距离，并根据最小距离，将其他结点合并入对应的最小聚类中心结点所在的聚类，形成k=2个“中间聚类结果”。

步骤3，计算每个“中间聚类结果”的均值，在k中间聚类中找出k=2个“新的聚类中心对象”。

步骤4，重新计算每个对象与“新的聚类中心对象”之间的距离，并根据最小距离重新分类，形成k=2个“中间聚类结果”。

步骤5，重复执行步骤3和步骤4。当所有对象的聚类情况不再变化或已经达到规定的循环次数时，结束执行，并得到最终聚类结果。