上文原始Kmeans提到，由於Kmeans使用啟發式迭代，所以當初始點不當時，導致得不到全局最優。
Kmeans++
這個算法思想也很簡單，與原始Kmeans唯一不同的是選擇初始點的方式。
如圖
假設，我們的樣本如上圖分布，准備選擇3個初始點，即k=3。
第一，我隨機選擇了1作為初始點，求所有樣本點與已選擇的聚類中心中最近聚類中心的距離（現在只有點1），求出其他所有點與點1的距離D（xi），選擇最大的。
第二，我們現在選到了點9作為初始點（與1距離最遠），然后所有樣本點與已選擇的聚類中心中最近聚類中心的距離，對於點2，3，4，5，6應求到1的距離，7，8求到9的距離，取最大的D（x），
應該是點1到點4最大，那么點4倍被選為初始點。
那么一共選出了點1，9，4作為初始點。
可以重復一、二步驟，選出多個初始點。
elkan K-Means
在Kmeans一文我們知道，一次質心的更新需要將所有樣本點到質心的距離都算一次，比較耗時
elkan K-Means的思想是
針對一個樣本點，兩個質心，如果提前知道質心之間的距離D（a1，a2），那么
當2D(x,a1)≤D(a1,a2), 必有D(x,a1)≤D(x,a2)，不必計算D(x,a2)
當
這一條不太明白，原理是三角形任意一邊大於等於其他兩邊之差，怎么簡化計算，不得而知
大樣本Mini Batch K-Means
思想更簡單，對大樣本進行無放回隨機抽樣，抽取多次保證准確性。
Sequential Leader Clustering
這種方法不用預先設定K值，不需要迭代，只需將數據過一遍。需要設定一個閾值T。
用下圖說明該思想
第一，任意一個數據點（假如是點1）作為質心，依次算出其他2-9到質心1的距離d，若d<T（閾值），認為這兩個點屬於一個簇
第二，若某樣本點與現有質心的距離大於閾值T，則將這個點作為另一個質心。
重復上述兩步
缺點：閾值的設定沒有依據。