K-means 算法是无监督的 聚类算法，算法简单，有效。
K-means算法：
输入参数：
指定聚类数目 k，训练集 X
输出 ：
k 个聚类
算法描述：
K-means 算法 是一个 迭代算法，每次迭代分成两个步骤：
1）指定聚类步骤：
计算每个样本到 k 个 聚类中心的 距离，将样本归类到 距离 聚类中心 最小的那个类别
2）移动聚类中心步骤：
根据每个聚类所拥有的样本点，重新计算每个聚类的中心
伪代码描述：
随机初始化 k 个聚类的 中心 u(1), u(2)... u(k)
repeat {
for i = 1 to m # 假设有m 个样本
c(i) = 聚类中心 离 X(i) 最近的那个聚类的下标索引 #（1,2... k）
for i = 1 to k # k 个类别
u(i) = 属于 i 聚类所有 点的 平均值，即 中心
}
注意：停止条件可以自己设定，比如 归类不再发生变化，或者最多 N次迭代 等
K-means算法 = 优化问题：
K-means的优化目标：
J（c(1), c(2)...c(m), u(1), u(2)...u(k)） = 1/2 * sum( ||x(i) - uc(i) || ^2）
min J
对应到算法：
1）指定聚类步骤时，保持聚类中心不变，通过改变每个样本所属聚类来最小化 J；
2）移动聚类中心步骤时，通过移动调整聚类中心 来 最小化 J。
K-means算法存在问题：
往往K-means算法的解空间存在多个满足 J 局部最小值，因此K-means算法得到的解，很有可能只是满足 J 局部最小的那个解，而不是全局最小的那个解。
一种避免方案：
运行 K-means 算法 n 次，比如 n = 100 次，每次 都是 随机初始化 k 个 聚类中心， 然后迭代最后收敛得到 k 个 聚类。
最后，依此计算 这 n 次 J 值，选择 J 值 最小那次 得到的 k 个 聚类
如何选择 k？：
计算 J 随着 k 数目变化 而 如何变化，k = 1, 2 ..
如果选择的 k 是 发生比较明显转折的那个点，就叫做 elbow method