最近读到了吴军老师的数学之美，现对其中的期望最大化算法进行了整理；
一、算法描述：
K均值的算法其实很简单，简单来说如下：
1、首先假设要分的类型种类为N，则算法开始的时候随机选择N个聚类中心；
2、进行迭代；对于训练数据中的每一个样本分别计算其到N个聚类中心的距离，该样本的分类结果就是距离其最近的聚类中心所属的分类；
注意：计算样本到聚类中心的距离时可以使用逻辑回归函数，把每一个训练数据的各个属性值映射到[0,1]之间，然后再计算属性值之间的距离，这样可以提高聚类的效果；
3、更新聚类中心；可以使用求平均值的方法来计算每次迭代后的新的聚类中心；
4、每次迭代后判断新的聚类中心是否发生变化（中心是否收敛），如果没有变化则停止迭代，已经达到了聚类效果；否则以上述步骤3产生的新的聚类中心作为中心继续进行步骤2和3；
二、聚类效果图
三、核心代码分析
1、K均值算法
2、判断每一个样本所属的分类
四、测试结果
使用了上述方法之后在IRIS数据集上进行测试，聚类的效果达到96%，当然结果还与初始的聚类中心的选择有关；