Kmeans算法是一种极为常见的聚类算法。
其算法过程大意如下：
（1）通过问题分析，确定所要聚类的类别数k；（一般是难以直接确定，可以使用交叉验证法等方法，逐步进行确定。）
（2）根据问题类型，确定计算数据间相似性的计算方法；
（3）从数据集中随机选择k个数据作为聚类中心；
（4）利用相似度计算公式，计算每个数据与聚类中心之间的相似度。选择相似度最大的聚类中心，作为该数据点所归属的类。
（5）利用（4）以确定每个数据点的类别，重新计算每一类新的聚类中心；
（6）重复步骤（4）和（5），直到所有聚类中心稳定或者达到之前所设定的停止要求（例如，小于数据类别变化的阈值）。
Kmeans聚类在数据量较小的情况下，可以表现出较好的结果。但是，在数据量较大，并且每个数据的特征维度较高的情况下，执行Kmeans聚类将是极为耗费代价的。因为，每一次聚类过程都是需要计算整个数据空间的。计算量为nxk。其中，n为数据个数，k为聚类类别数。为此，可以通过构建一种较为复杂的数据结构（KD树）来减少每次聚类的搜寻。
对于KD树知识点的讲解可以分为三个方面：1.KD树的构建；2.KD树的修改；3.KD树在Kmeans聚类中的使用。
1.KD树的构建：
（1）利用（k%j+1）=i来选择第k次计算的数据维度号；（其中%为mod运算。）
（2）计算数据第i维的中位数，把其所对应的数据作为此时数据集的划分中心；
（3）利用该划分中心，将数据集一分为二；然后再对数据集进行重复步骤（1）和（2），直到不能再划分为止。
利用该方法就可以构建一棵二叉树，这就是KD树。（这里备注，一直不明白KD树名字的由来。只是知道K是指每个数据都有k个特征维度。）
2.KD树的修改：
KD树的修改包括：KD树节点的插入和KD树节点的删除（备注，KD树的修改，其实在Kmeans聚类算法里面没有多大用处，这里只是稍微提一下，权当是学习了。）。
KD树的插入在查找过程有点类似于二叉搜索树，在插入之后，则是使用二叉平衡树在插入之后的修正方法，进行修正。
根据之前建树时，所选定的比较轴顺序，进行比较对应维度的数据的大小，来选择该数据所走的方向。直到空指针出现时，就可以知道所要插入的位置。但是只是这样插入，必然会破坏了KD树，所以需要一定的修正。而这个修正类似于二叉平衡树在插入新节点之后对树的修正。
3.KD树在Kmeans算法中的使用
如果单纯执行Kmeans算法，则每一次聚类都需要遍历空间内的所有数据，这样对数据维度较大，数据量较大的情况，所耗费的代价是极大的。对此，我们需要使用KD树让Kmeans数对数据的搜索可以再局部中进行。
对KD树的查找，我们更经常使用的是使用其查找最近邻的数据。但是，如果是K个最近邻的数据，又该如何？是找到最近邻之后，忽视最近邻，然后再找次最近邻。