K-means 算法 K-means 算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则
K-means 算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量 V 最优分类，使得评价指标J 最小
算法采用误差平方和准则函数作为聚类准则函数
K-means 算法 K-means 算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大
该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标
k 个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第一步中是随机的选取任意 k 个对象作为初始聚类的中心，初始地代表一个簇
该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇
当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来
如果在一次迭代前后，J 的值没有发生变化，说明算法已经收敛
算法过程 1）从 N 个文档随机选取 K 个文档作为质心 2）对剩余的每个文档测量其到每个质心的距离，并把它归到最近的质心的类 3）重新计算已经得到的各个类的质心 4）迭代2～3 步直至新的质心与原质心相等或小于指定阈值，算法结束 具体如下： 输入：k, data[n]; （1） 选择k 个初始中心点，例如c[0]=data[0],… c[k-1]=data[k-1]； （2） 对于 data[0]…
data[n]，分别与 c[0]… c[k-1]比较，假定与c[i]差值最少，就标记为 i； （3） 对于所有标记为 i 点，重新计算 c[i]={ 所有标记为 i 的 data[j]之和}/标记为 i 的个数； （4） 重复(2)(3)，直到所
