机器学习算法-KMeans聚类算法解析及伪代码实现。

徐小狗在文末附上了几条大神们关于KMeans聚类算法的博文，欲详细研究请前往浏览~

作为初学者，许多地方可能笨拙或有误，希望有大神看到后给予优化和指点！~

 假设 M 国又开始全民选举总统了，目前 Mr.OBM 的投票率为48%(投票数占所有选民人数的百分比)，而 Mr.MKN 的为47%，而剩下的一部分出于【种种原因】没有投票。        

 做为其中某个阵营的人，自然是希望能够尽可能的争取到这些剩余的票 -因为这完全可能影响最终选举结果。        

 然而，你不可能争取到这些人的所有投票，因为你满足某个群体的人，也许就伤害到了另一群人的利益。        

 一个很不错的想法是将这些人分为 K 个群体，然后主要对其中人数最多的几个群体做工作。        

 这就需要使用到聚类的策略了。        

 聚类策略是搜集剩余选民的用户信息(各种满意/不满意的信息)，将这些信息输入进聚类算法，然后对聚类结果中人数最多的簇的选民做思想工作。        

 可能你会发现某个簇的选民都是一个社区的，一个宗教信仰的，或者具有某些共性。这样就方便各种各样的拉票活动了。

 聚类：给事物打标签，寻找同一组内的个体之间的一些潜在的相似模式，力图找到数据的自然分组。

 1.初始选择中心点的位置是随机的，不同的随机初始中心点会有不同的迭代次数，有时候会计算很多次，而且结果也会不同；

 2.KMeans需要人为的确定初始聚类中心，不同的初始聚类中心可能导致完全不同的聚类结果；

 3.聚类中心的个数K需要事先给定，但在实际中这个K值的选定是非常难以估计的，很多时候，事先并不知道给定的数据集应该分成多少个类别才合适；

 KMeans++算法思想：

 1.假设分为K类；

 2.从输入的数据点集合中随机选择一个点作为第一个聚类中心；

 3.对于数据集中的每一个点x，计算其与最近的聚类中心(指已选择的聚类中心)的距离D(x);

 4.选择一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点被选取为聚类中心的概率较大；

 5.重复3和4两个步骤直到K个聚类中心被选出来；

 6.利用这K个初始的聚类中心运行标准的K-Means算法；

 简单来说就是选择中心点时各中心点的距离要做到尽可能的远。

大神-yqtaowhu：深入理解K-Means聚类算法。