kmeans用于數(shù)據(jù)挖掘，是很典型的基于距離的聚類算法，采用距離作為相似性的評價指標，即認為兩個對象的距離越近，其相似度就越大
主要步驟如下：
1.從一群點中任意選擇K個點，且叫他中心點，K值就是將這群點分的類別數(shù)目
2.對余下的每一個點，分別計算它與每一個中心點的距離，得到K個距離，比較這K個距離，選擇其中最小的距離，將點與這個中心點歸為一類。
3.當所有的點都歸類后，對每一個類別重新計算其中心點，再次得到K個中心點，然后重復2步驟。

然后，開始解決以下問題：
1.只有把現(xiàn)實世界的物體的屬性抽象成向量或坐標，就可以用K-Means算法來歸類了。如何把一個實體文件抽象為一個點。在這里，用到了中文分詞和坐標、維度概念。比如說有100篇文章，對每一篇均進行分詞，從中提取關(guān)鍵字。將100篇文章的關(guān)鍵字整合并進行去重復操作，假如最終得到1000個關(guān)鍵字，暫時標記為整合關(guān)鍵字。此外，這1000個關(guān)鍵字還可抽象為1000個維度。然后將每一篇文章的關(guān)鍵字與整合關(guān)鍵字進行比對。若某個整合關(guān)鍵字在文章中出現(xiàn)了，則此篇文章在這個關(guān)鍵字處，即這個維度上可以計作1，若沒有出現(xiàn)則計作0，當一片文章中的關(guān)鍵字被比對完之后，一篇文章就被抽象為一個點，且這個點由1000個坐標組成。點的坐標除了1和0外，還可以是其他整數(shù)。由此，抽象一篇文章可以有兩種思路
（1）某個整合關(guān)鍵字只要在文章中出現(xiàn)了，就計作1，而不管這個整合關(guān)鍵字在這片文章中出現(xiàn)了幾次。因此，這種思路下的點的坐標僅由1和0組成。
（2）我們不僅要考慮某個整合關(guān)鍵字是否文章中出現(xiàn)了，還要考慮他到底出現(xiàn)了幾次。即出現(xiàn)幾次，就計作幾，這種思路下坐標，除了1和0，還有其他整數(shù)。
2.在劃分類別的時候，是如何判斷兩點之間的距離的。首先一個點由兩個坐標組成，計作（x,y），就像在二維平面中，求兩點之間的距離，d=。這種方法是最簡答，也是我們最容易想到的。
3.如何計算中心點，最簡單的，使用各個點的X/Y坐標的平均值。
4.在Kmeans算法中，需要重復計算中心點，那么具體要重復多少次才停止呢？
停止的條件有兩種
（1） 每次重復計算的中心點，與上一次計算的中心點之間總有一定的浮動范圍。因此， 我們提前給定一個中心點的浮動范圍，在兩次中心點之間的差值在這個浮動范圍里時， 我們就認定中心點已經(jīng)固定，重復計算就此結(jié)束。
（2）不論重復計算多少次，我們可以確定一點，重復計算次數(shù)越多，中心點就越精確，即每一個類別里點之間的關(guān)系就越親密。當然我們不可能進行無數(shù)次的重復計算。因此，我們根據(jù)實際情況，選擇一個合適的次數(shù)進行重復計算即可。當重復計算了限定次數(shù)的時候，就固定當前所分類的情況。
（3）其實還有第三種，就是將浮動范圍和限定次數(shù)相結(jié)合，作為兩個限定條件，只要滿足其中一個條件，重復即可停止。
5.其實，kmeans也是有缺點的，很重要的一點就是K 是事先給定的，這個 K 值的選定是非常難以估計的。很多時候，事先并不知道給定的數(shù)據(jù)集應(yīng)該分成多少個類別才最合適。此時，我們就需借助其他算法來確定K值