算法要点： 1、将training data (X)分为k clusters； 2、object function: 3、缺陷： 1）KMeans假设clusters是convex or isotropics;他不能很好的拟合elongated clusters or manifolds with irregular shape； 2）欧几里得距离会随着特征数量的增加（dimension），而变得越来越膨胀；从而影响模型收敛。针对这一问题，一个好的解决方法是：可以利用PCA等降维工具先将data的特征数目降低在可接受的范围内，然后在计算其欧几里得距离； 3）initial centroids选择不慎，可能会使模型convergence to local minimum；利用KMeans的参数init=‘k-means++’，可以使initial centroids相互远离，从而使模型收敛到一个更好的结果。

参考文献：Clustering

Biclustering同时对rows和columns进行聚类，每一个cluster(rows,columns)被叫做一个bicluster，在聚类的过程中，会重新排列data matrix的rows和columns；比如，一个data matrix(10,10)，通过Biclustering，可能会形成一个(3,2)的bicluster（submatrix）； sklearn.cluster.bicluster中有两种biclustering的function：

该algorithm形成的是一个hidden checkboard structure biclusters,每一个checkboard内各个点的值几乎相同，因此，该checkboard structure提供了一个对原data的近似； checkboard structure如下图所示：

该algorithm形成的是一个diagonal structure，diagonal上的每一个bicluster代表了data matrix中的high values。此算法通过对data matrix gaph进行归一化，从而找到数据图中的heavy subgraph（The algorithm approximates the normalized cut of this graph to find heavy subgraphs.）其结构如下图所示：