kmeans用于數(shù)據(jù)挖掘，是很典型的基于距離的聚類(lèi)算法，采用距離作為相似性的評(píng)價(jià)指標(biāo)，即認(rèn)為兩個(gè)對(duì)象的距離越近，其相似度就越大
主要步驟如下：
1.從一群點(diǎn)中任意選擇K個(gè)點(diǎn)，且叫他中心點(diǎn)，K值就是將這群點(diǎn)分的類(lèi)別數(shù)目
2.對(duì)余下的每一個(gè)點(diǎn)，分別計(jì)算它與每一個(gè)中心點(diǎn)的距離，得到K個(gè)距離，比較這K個(gè)距離，選擇其中最小的距離，將點(diǎn)與這個(gè)中心點(diǎn)歸為一類(lèi)。
3.當(dāng)所有的點(diǎn)都?xì)w類(lèi)后，對(duì)每一個(gè)類(lèi)別重新計(jì)算其中心點(diǎn)，再次得到K個(gè)中心點(diǎn)，然后重復(fù)2步驟。
然后，開(kāi)始解決以下問(wèn)題：
1.只有把現(xiàn)實(shí)世界的物體的屬性抽象成向量或坐標(biāo)，就可以用K-Means算法來(lái)歸類(lèi)了。如何把一個(gè)實(shí)體文件抽象為一個(gè)點(diǎn)。在這里，用到了中文分詞和坐標(biāo)、維度概念。比如說(shuō)有100篇文章，對(duì)每一篇均進(jìn)行分詞，從中提取關(guān)鍵字。將100篇文章的關(guān)鍵字整合并進(jìn)行去重復(fù)操作，假如最終得到1000個(gè)關(guān)鍵字，暫時(shí)標(biāo)記為整合關(guān)鍵字。此外，這1000個(gè)關(guān)鍵字還可抽象為1000個(gè)維度。然后將每一篇文章的關(guān)鍵字與整合關(guān)鍵字進(jìn)行比對(duì)。若某個(gè)整合關(guān)鍵字在文章中出現(xiàn)了，則此篇文章在這個(gè)關(guān)鍵字處，即這個(gè)維度上可以計(jì)作1，若沒(méi)有出現(xiàn)則計(jì)作0，當(dāng)一片文章中的關(guān)鍵字被比對(duì)完之后，一篇文章就被抽象為一個(gè)點(diǎn)，且這個(gè)點(diǎn)由1000個(gè)坐標(biāo)組成。點(diǎn)的坐標(biāo)除了1和0外，還可以是其他整數(shù)。由此，抽象一篇文章可以有兩種思路
（1）某個(gè)整合關(guān)鍵字只要在文章中出現(xiàn)了，就計(jì)作1，而不管這個(gè)整合關(guān)鍵字在這片文章中出現(xiàn)了幾次。因此，這種思路下的點(diǎn)的坐標(biāo)僅由1和0組成。
（2）我們不僅要考慮某個(gè)整合關(guān)鍵字是否文章中出現(xiàn)了，還要考慮他到底出現(xiàn)了幾次。即出現(xiàn)幾次，就計(jì)作幾，這種思路下坐標(biāo)，除了1和0，還有其他整數(shù)。
2.在劃分類(lèi)別的時(shí)候，是如何判斷兩點(diǎn)之間的距離的。首先一個(gè)點(diǎn)由兩個(gè)坐標(biāo)組成，計(jì)作（x,y），就像在二維平面中，求兩點(diǎn)之間的距離，d=。這種方法是最簡(jiǎn)答，也是我們最容易想到的。
3.如何計(jì)算中心點(diǎn)，最簡(jiǎn)單的，使用各個(gè)點(diǎn)的X/Y坐標(biāo)的平均值。
4.在Kmeans算法中，需要重復(fù)計(jì)算中心點(diǎn)，那么具體要重復(fù)多少次才停止呢？
停止的條件有兩種
（1） 每次重復(fù)計(jì)算的中心點(diǎn)，與上一次計(jì)算的中心點(diǎn)之間總有一定的浮動(dòng)范圍。因此， 我們提前給定一個(gè)中心點(diǎn)的浮動(dòng)范圍，在兩次中心點(diǎn)之間的差值在這個(gè)浮動(dòng)范圍里時(shí)， 我們就認(rèn)定中心點(diǎn)已經(jīng)固定，重復(fù)計(jì)算就此結(jié)束。
（2）不論重復(fù)計(jì)算多少次，我們可以確定一點(diǎn)，重復(fù)計(jì)算次數(shù)越多，中心點(diǎn)就越精確，即每一個(gè)類(lèi)別里點(diǎn)之間的關(guān)系就越親密。當(dāng)然我們不可能進(jìn)行無(wú)數(shù)次的重復(fù)計(jì)算。因此，我們根據(jù)實(shí)際情況，選擇一個(gè)合適的次數(shù)進(jìn)行重復(fù)計(jì)算即可。當(dāng)重復(fù)計(jì)算了限定次數(shù)的時(shí)候，就固定當(dāng)前所分類(lèi)的情況。
（3）其實(shí)還有第三種，就是將浮動(dòng)范圍和限定次數(shù)相結(jié)合，作為兩個(gè)限定條件，只要滿(mǎn)足其中一個(gè)條件，重復(fù)即可停止。
5.其實(shí)，kmeans也是有缺點(diǎn)的，很重要的一點(diǎn)就是K 是事先給定的，這個(gè) K 值的選定是非常難以估計(jì)的。很多時(shí)候，事先并不知道給定的數(shù)據(jù)集應(yīng)該分成多少個(gè)類(lèi)別才最合適。此時(shí)，我們就需借助其他算法來(lái)確定K值
