一、K-means
非监督学习中有一大类问题是聚类问题，其中有个经典算法:K-means，其中K代表我们事先已经知道要将数据集分成K类 。K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。 原理如下图：
二、原理
针对上图：
a表达了初始的数据集，假设k=2
b中，随机选择了两个k类所对应的类别质心，即图中的红色质心和蓝色质心，然后分别求样本中所有点到这两个质心的距离，并标记每个样本的类别为和该样本距离最小的质心的类别
c所示，经过计算样本和红色质心和蓝色质心的距离，我们得到了所有样本点的第一轮迭代后的类别。此时我们对我们当前标记为红色和蓝色的点分别求其新的质心
d所示，新的红色质心和蓝色质心的位置已经发生了变动
e和图f重复了我们在图c和图d的过程，即将所有点的类别标记为距离最近的质心的类别并求新的质心。最终我们得到的两个类别如图f。
原文：https://www.cnblogs.com/always-fight/p/9238872.html