（摘自參考鏈接1）
k_means算法流程：
（1）隨機選擇K個點作爲每個類的初始質心；
（2）在數據集中選擇一個樣本，計算其與每個類質心的距離，然後將該樣本歸到距離最短的那個中心所在的類。 重複此操作，直到所有樣本全部歸好類；
（3）利用均值等方法更新各個類的質心；
（4）重複（2）（3）步，直到某次的質心與上一次迭代的質心重合爲止。
python實現：
python sklearn：
from sklearn import datasets
from sklearn.cluster import KMeans
iris = datasets.load_iris()
print(dir(iris))
print(iris.target)
model = KMeans(n_clusters=3)
model.fit(iris.data)
all_preditions = model.predict(iris.data)
print(all_preditions)
#效果好差啊KNN算法流程：
（1）計算測試數據與各個訓練數據之間的距離；
（2）按照距離的遞增關係進行排序；
（3）選取距離最小的K個點；
（4）確定前K個點所在類別的出現頻率；
（5）返回前K個點中出現頻率最高的類別作爲測試數據的預測分類。
python實現：