KMeans聚类算法
KMeans聚类：KMeans单词—-K(K个聚类中心)+Means(根据均值迭代聚类中心)
KMeans聚类算法是一种经典的聚类方法，属于无监督学习。它的主要目标是将n个样本划分到k个簇中，使得每个样本属于与其最近的均值（即簇中心）对应的簇，从而使得簇内的方差最小化。
K-Means算法的思想: 对给定的样本集，用欧氏距离(向量)作为衡量数据对象间相似度的指标，相似度与数据对象间的距离成反比，相似度越大，距离越小。
欧式距离计算公式：
算法步骤
- 首先随机选择K个质心，有多少个质心最后就会有多少个簇
- 计算每个样本点到达K个质心的距离，如果距离比较近直接划分到这个簇
- 在分出的簇内部重新计算质心，通常是簇内所有点的均值，然后迭代进行分簇
- 检查算法是否满足停止条件，比如质心的变化小于某个阈值，或者连续迭代中簇的成员没有变化，或者达到预设的迭代次数
- 满足结束条件停止迭代
