k-means算法概述
算法过程：
- 随机选取K个种子点
- 求所有点到种子点的距离，将点纳入距离最近的种子点群
- 所有点均被纳入群内后，将种子点移动到种子群中心
- 重复上述2、3过程，直至种子点没有移动
优缺点：
- 优点：容易实现
- 缺点：可能收敛到局部最小值，在大规模数据上收敛较慢
思考：
- k值如何确定？
- ISODATA算法针对这个问题进行了改进：当属于某个类别的样本数过少时把这个类别去除，当属于某个类别的样本数过多、分散程度较大时把这个类别分为两个子类别（类的自动合并和分裂）
- Elbow Method：通过绘制K-means代价函数与聚类数目K的关系图，选取直线拐点处的K值作为最佳的聚类中心数目
- 从实际问题出发，人工指定比较合理的K值，通过多次随机初始化聚类中心选取比较满意的结果
- 根据方差分析理论，应用混合 F 统计量来确定最佳分类数，并应用了模糊划分熵来验证最佳分类数的正确性
- 使用了一种结合全协方差矩阵的 RPCL 算法，并逐步删除那些只包含少量训练数据的类
- 使用的是一种称为次胜者受罚的竞争学习规则，来自动决定类的适当数目。它的思想是：对每个输入而言，不仅竞争获胜单元的权值被修正以适应输入值，而且对次胜单元采用惩罚的方法使之远离输入值。
- 初始随机种子如何确定
- K-means++选取K个聚类中心的思想：假设已经选取了n个初始聚类中心(0<n<K)，则在选取第n+1个聚类中心时：距离当前n个聚类中心越远的点会有更高的概率被选为第n+1个聚类中心。在选取第一个聚类中心(n=1)时同样通过随机的方法（聚类中心互相离得越远越好）
- 采用遗传算法（GA）进行初始化，以内部聚类准则作为评价指标
- 度量方式
- 传统K-means采用欧式距离进行样本间的相似度度量，显然并不是所有的数据集都适用于这种度量方式。kernel k-means参照支持向量机中核函数的思想，将所有样本映射到另外一个特征空间中再进行聚类，就有可能改善聚类效果
- 空簇
- 如果所有的点在指派步骤都未分配到某个簇，某个簇就会变成空簇。如果这种情况发生，则需要某种策略来选择一个替补聚类中心，否则的话，平方误差将会偏大（算法的目的就是使各个样本与所在类均值的误差平方和达到最小，这也是评价K-means算法最后聚类效果的评价标准）。一种方法是选择一个距离当前任何质心最远的点。这将消除当前对总平方误差影响最大的点
- 噪声处理
- k-means对离群值非常敏感，算法目标是簇内差异最小化，即SSE最小，所以单个噪音点也可以对整个簇造成很大的扰动，常用解决办法
- 离散型数据处理
代码：
地址：https://github.com/AaronX121/Clustering，使用方式非常简单，目前支持三种形式的输入，分别对应着上面的三种算法：
- [centroid, result] = Clustering(data, ‘kmeans’, k , iteration);
- [centroid, result] = Clustering(data, ‘kmeans++’, k , iteration);
- [centroid, result] = Clustering(data, ‘isodata’, desired_k , iteration, minimum_n, maximum_variance, minimum_d);
其中的输入data是一个矩阵，每一行代表数据集中的一个样本。其他输入的意义与上面的算法描述中一一对应。输出的centroid是聚类中心的位置，result是每个样本所对应的类别索引。
应用：
k-means不仅局限于坐标点的计算，现实世界里的物体属性只要能抽象成向量，都可以用k-means来归类
参考
http://www.cnblogs.com/yixuan-xu/p/6272208.html
https://www.zhihu.com/question/60868444
