內容來自PRML
k-means可以看成是兩階段的：
第一階段，確定每一個樣本所屬的聚類，在這個過程中，聚類的中心保持不變
第二階段，確定聚類中心，在這個過程中，每一個樣本所屬的類別保持不變
與EM之間的關系：
第一階段對應的是EM的E步，而第二階段對應的是EM的M步。
此外，k-means不一定能達到全局最小的損失函數
這一點和EM相似，EM也不一定能保證找到全局最優值，不能保證收斂到極大值點（來自於統計機器學習）
附上一個參考的鏈接：
https://www.cnblogs.com/pinard/p/6912636.html
這里對某些細節部分，Q(zi) 的最后取值進行了解釋，而得到這個公式的解釋，可以看下面這個：
https://blog.csdn.net/zhihua_oba/article/details/73776553