K-Means是常用的聚类算法，与其他聚类算法相比，其时间复杂度低，聚类的效果也还不错，这里简单介绍一下k-means算法，下图是一个手写体数据集聚类的结果。 基本思想 　k-means算法需要事先指定簇的个数k，算法开始随机选择k个记录点作为中心点，然后遍历整个数据集的各条记录 ...

1.什么是K-Means？ K均值算法聚类 关键词：K个种子，均值聚类的概念：一种无监督的学习，事先不知道类别，自动将相似的对象归到同一个簇中 K-Means算法是一种聚类分析（cluster analysis）的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法 ...

K-Means 概念定义： K-Means 是一种基于距离的排他的聚类划分方法。 上面的 K-Means 描述中包含了几个概念： 聚类（Clustering）：K-Means 是一种聚类分析（Cluster Analysis）方法。聚类就是将数据对象分组成为多个类或者簇 ...

1.原文：http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006910.html K-means也是聚类算法中最简单的一种了，但是里面包含的思想却是不一般。最早我使用并实现这个算法是在学习韩爷爷那本数据挖掘的书中，那本书比较注重应用 ...

聚类分析是在数据中发现数据对象之间的关系，将数据进行分组，组内的相似性越大，组间的差别越大，则聚类效果越好。 不同的簇类型 聚类旨在发现有用的对象簇，在现实中我们用到很多的簇的类型，使用不同的簇类型划分数据的结果是不同的，如下的几种簇类型。 明显分离的 可以看到(a)中不同组中任意两点 ...

K-means聚类算法（K-平均/K-均值算法）是最为经典也是使用最为广泛的一种基于距离的聚类算法。基于距离的聚类算法是指采用距离作为相似性量度的评价指标，也就是说当两个对象离得近时，两者之间的距离比较小，那么它们之间的相似性就比较大。 算法的主要思想是通过迭代过程把数据集划分为不同的类别 ...

1.K-Means定义： K-Means是一种无监督的基于距离的聚类算法，简单来说，就是将无标签的样本划分为k个簇（or类）。它以样本间的距离作为相似性的度量指标，常用的距离有曼哈顿距离、欧几里得距离和闵可夫斯基距离。两个样本点的距离越近，其相似度就越高；距离越远，相似度越低。 目的是，实现簇 ...

K均值聚类是基于原型的、划分的聚类方法。聚类数K由用户指定，初始的K个聚类中心随机选取，然后将每个点分派到最近的聚类中心，形成K个簇，接下来重新计算每个簇的聚类中心，重复上一步，直到簇不发生变化或达到最大迭代次数为止。距离度量有欧氏距离、曼哈顿距离、切比雪夫距离 ...