1.概述
聚类是一种无监督学习，它将相似的对象归到同一个簇中。聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好。
k-均值聚类之所以称为是因为它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算而成。
2.簇识别（cluster identification）
簇识别给出聚类结果的含义。假定有一些数据，现在将相似数据归到一起，簇识别会告诉我们这些簇到底都是些什么。聚类和分类的最大不同在于，分类的目标事先已知，而聚类则不一样。因为其产生的结果鱼分类相同，而只是类别没有预先定义，聚类有时也被称为无监督分类。
3.K-均值聚类
优点：容易实现
缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢。
适用数据类型：数值型数据。
K-均值是发现给定数据集的k个簇的算法。簇的个数k是用户给定的，每个簇通过其质心，即簇中所有点的中心来描述。
算法的流程：首先，随机确定K个初始点作为质心。然后，将数据集中的每个点分配到一个簇中，具体来讲，为每个点找距其最近的质心，并将其分配给该质心所对应的簇。这一步完成之后，每个簇的质心更新为该簇所有点的平均值。
伪代码：
一般流程：
5.使用后处理来提高聚类性能
k由用户预先定义，那么用户如何才能知道k的选择是否正确？如何才能知道生成的簇比较无好呢？
在包含簇分配结果的矩阵中保存着每个点的误差，即该点到簇质心的距离平方值。
K均值算法收敛但是聚类效果较差的原因是，k均值算法收敛到了局部最小值，而非全局最小值。
一种度量聚类效果的指标是SSE（sum of squared error,误差平方和）。SSE值越小表示数据点越接近于它们的质心，聚类的效果也越好。因为对误差取了平方，因此更加重视那些远离中心的点。
对生成的簇进行后处理，一种方法是将具有最大SSE值的簇划分成两个簇。具体实现时可以将最大簇包含的点过滤出来并在这些点上运行K均值算法（k设为2）。
为了保持簇的总数不变，可以将两个簇进行合并。有两种可以量化的方法：合并最近的质心，或者合并两个使得SSE增幅最小的质心。
6.二分K-均值算法
为克服K-均值算法收敛于局部最小值的问题，有人提出了另一个称为二分K-均值（bisecting K-means）的算法。
该算法首先将所有点作为一个簇，然后将该簇一分为二。之后选择其中一个簇继续进行划分，选择哪一个簇进行划分取决于对其划分是否可以最大程度降低SSE的值。上述基于SSE的划分过程不断重复，直到得到用户指定的簇数目为止。
伪代码：
7.小结
k-均值算法非常有效但是也容易受到初始簇质心的影响。为了获得更好的聚类效果，可以使用另一种称为二分k均值的聚类算法。
K-均值算法以及变形的k-均值算法并非仅有的聚类算法，另外称为层次聚类的算法也被广泛使用。