K-Means是十种经典数据挖掘算法之一。 K-Means和KNN（K邻居）似乎都以K开头，但是它们是不同种类的算法。 kNN是监督学习中的分类算法，而K-Means是监督学习中的聚类算法；两者相似之处在于它们都使用邻居信息来标记类别。提到术语“聚类”，人们不禁会想到：“事物聚集在一起，人们被分成几类”。聚类是数据挖掘中非常重要的学习类型，是指将相似的未标记样本数据归为同一类别。 K-均值算法是一种典型的基于距离的聚类算法。由劳埃德（Lloyod）在1982年提出。它是一种简单有效的统计聚类算法。通常，距离被用作相似度的评估指标，即，两个对象之间的距离越近，相似度就越大。该算法认为簇是由彼此接近的对象组成的，因此以获得紧凑且独立的簇为最终目标。 K均值概念：K均值算法是一种硬聚类算法，它是典型的基于原型的目标函数聚类方法的代表。作为最佳目标函数，从数据点到原型有一定距离，该函数用于查找极值。获取迭代操作的调整规则的方法。 K-means算法使用欧几里得距离作为相似性度量，即找到与某个初始聚类中心向量V对应的最优分类，从而使评估指标J最小。该算法使用误差平方和标准函数作为聚类标准函数。 K-Means的核心思想是：用户将k个初始质心（初始质心）指定为聚类，并重复迭代直到算法收敛。即，以空间中的k个点为中心执行聚类，并且对最接近它们的对象进行分类。通过迭代方法，依次更新每个聚类中心的值，直到获得最佳聚类结果。 k个初始聚类中心点的选择对聚类结果有更大的影响。 K-means算法的描述：假定样本组分为C三类，该算法描述如下：1）选择适当C三类的初始中心; 2）在第k次迭代中，对于任何样本，将其找到c到每个中心之间的距离，样本被分类为距离最短的中心类别； 3）使用平均值方法更新类的中心值； 4）对于所有c集群中心，如果使用2）和3），则更新迭代方法后，该值将保持不变，迭代将结束，否则迭代将继续。详细信息如下：输入：k，data [n]; 1）选择k个初始中心点，例如，c [0] = data [0]，＆amp; hellip; c [k-1] = data [k-1]; 2）对于数据[0]＆amp; hellip;。假定与c [i]的差最小，则将data [n]分别与c [0]＆amp; hellip; c [k-1]相比较。 3）对于标记为i的所有点，重新计算c [i] = {标记为i的所有数据[j]的和} /标记为i的数据数； 4）重复2）和3），直到c [i]值的所有变化都小于给定的阈值。该算法的最大优点是它的简单性和速度。该算法的关键在于初始中心的选择和距离公式。 K-Means工作流程：1）从n个数据对象中任意选择k个对象作为初始聚类中心； 2）根据每个聚类对象的平均值（中心对象）计算每个对象与这些中心对象之间的距离；并根据最小距离重新划分对应的对象； 3）重新计算每个（变化）聚类的平均值（中心对象）； 4）循环2）到3），直到每个簇不再变化为止，即直到标准度量函数收敛为止。注意：通常，均方误差用作标准测量函数。 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，以使获得的聚类满足：同一聚类中对象的相似度更高；与不同簇中对象的相似度较小。即，群集本身尽可能紧凑，并且群集尽可能分离。通过使用每个聚类中的对象的平均值来获得聚类相似度，以获得“中心对象”。 （引力中心）。