A、先确定k值，上图中k取2，随机然后选取质心为P1,P2
B、分别计算其它各点到这两个点的距离
C、选取距离近的点到相应的队列，如点离P1近，就把该点归到P1队列，如点离P2近，即把该点归到P2队列
D、根据公式，
再取两个队列的虚拟质心，即两个队列中的所有点距离的平均值
E、再次选距离近的点到相应的队列，并且重复上述D
F、经过N次的迭代，队列不再变化，即表示算法收敛，聚类完成
二、用轮廓系数法验证聚类效果
该值处于[-1,1]之间，值越大，聚类效果越好
a是Xi与同簇的其它样本的平均距离，称为凝聚度
b是Xi与最近簇中所有样本的平均距离，称为分离度
a越小，一个聚类的数据点越集中。b越大，一个聚类和另一个聚类分得越开
三、Calinski-Harabasz（CH系数）：类别内部数据的协方差越小越好，类别之间的协方差越大越好，这样Calinski-Harabasz分数s会高，分数s高则聚类效果越好
m为训练集样本数，k为类别数。Bk为类别之间的协方差矩陈，Wk为类别内部数据的协方差矩陈，tr为矩陈的迹
类间协方差tr(Bk)越大越好，类内部协方差tr(Wk)越小越好，m样本数越多越好，k类别数越小越好，即各个簇的间距越大越好，各簇内部的数据越紧密越好，样本数越多越好，即数据量越多越好，划分的簇个数越少越好，
Wk为类别内部数据的协方差矩阵，tr为矩陈的迹，所以tr(Wk)为类别内部数据的协方差矩阵的迹
四、聚类分类：
硬聚类：即每一个数据只能被归为一类，即每一个数据都会100%被确定
软聚类：每一个样本以一定的概率被分到某一类中
五、算法优化：
四种硬聚类优化算法（K-means++,二分K-Means，ISODATA，Kernel K-means）
1、K-means++：中心思想为选取聚类中心不再采用随机选取的方法，而是选取离当前质心越远的那个点作为新的质心，（即选取的第一个质心和第二个质心越远越好），离得越远的点会有更大的概率被选成新的质心
2、ISODATA：类别数目会动态变化（无需深入学习），即类别数会随机应变
3、Kernel K-means：将每个样本进行投射到高维空间去处理，将处理后的数据用K-means算法进行聚类
4、二分K-means：首先将所有点作为一个簇，然后将该簇一分为二。之后选择SSE最大的簇再划分成两个簇，如此循环下去，直到簇的数目等于用户给定的数目K为止（可以加速算法的执行速度，不受初始化问题的影响，每一步都保证误差最小）
六、误差平方和公式
SSE（Sum of Squares for Error）称作误差的平方和作为度量聚类质量的目标函数，反映每个样本各观测值的离散状况，又称为组内平方和或残差平方和。
SSE即为样本的聚类误差，代表聚类效果的好坏
