主要内容：
一.K-means算法简介
二.算法过程
三.随机初始化
四.K的选择
一.K-means算法简介
1.K-means算法是一种无监督学习算法。所谓无监督式学习，就是输入样本中只有x，没有y，即只有特征，而没有标签，通过这些特征对数据进行整合等操作。而更细化一点地说，K-means算法属于聚类算法。所谓聚类算法，就是根据特征上的相似性，把数据聚集在一起，或者说分成几类。
2.K-means算法作为聚类算法的一种，其工作自然也是“将数据分成几类”，其基本思路是：
1) 首先选择好将数据分成k类，然后随机初始化k个点作为中心点。
2) 对于每一个数据点，选取与之距离最近的中心点作为自己的类别。
3) 当所有数据点都归类完毕后，调整中心点：把中心点重新设置为该类别中所有数据点的中心位置，每一轴都设置为平均值。（所以称为means）
4) 重复以上2)~3)步骤直至数据点的类别不再发生变化。
3.K-means算法从感性上去理解，就是把一堆靠得近的点归到同一个类别中。
二.算法过程
1.一些变量的约定：μ(i)表示第i个中心点，c(i)表示第i个数据点归到哪个中心点。
2.K-means算法的本质就是：移动中心点，使其渐渐地靠近数据的“中心”，即最小化数据点与中心点的距离。即：
3.算法流程：
三.随机初始化
由于初始化的中心点对于最后的分类结果影响很大，因而很容易出现：当初始化的中心点不同时，其结果可能千差万别：
因此，为了分类结果更加合理，我们可以多次初始化中心点，即多次运行K-means算法，然后取其中J(c1,c2……，μ1,μ2……)最小的分类结果。
四.K的选择
最后一个问题：既然是K-means，那么这个k应该取多大呢？
一.Elbow method：
假设随着k的增大，cost function j的大小呈现以下的形状：
可以看到，当k=3时，J已经很小了，且再增大k也不能大大地减小J。说明此时k选取3比较合适。
但是，这种“手肘”情况并不常见，更一般的情况是：
此时根本看不出哪里才是“手肘”，所以对此的策略是：实践调研，按实际需求的而定。
原文：https://www.cnblogs.com/DOLFAMINGO/p/9360120.html