1.K-means算法定义
首先是随机地初始化 k 个聚类中心 μ1、μ2、μ3，…，μk,这些聚类中心的维度和数据集中的 x 维度是一样的，并且聚类中心是随机的，不一定是属于数据集中的点。
然后再迭代（重复）下面的操作：
（1）cluster assignment（簇分配）：计算数据集中的所有的点与每一个簇中心的距离，然后将该点分配给簇距离最短的一类(假设该类别为 j ) ，则 = j ; 举例说明，首先计算
与各个聚类中心 μ1、μ2、μ3，…，μk 的距离，假设最近的距离是与μ3之间的，则
= 3；
（2）move centroid（移动聚类中心）：计算同一个分类的所有点的平均值，并将该值赋给这个类的聚类中心，如图中底下蓝色的计算方式。
最后聚类中心的点，不再发生移动时，认为聚类算法执行完毕。
2.optimization objective function
优化目标函数，或者说最小化代价函数，二者要做的实际是同一件事情。
如图所示，优化目标 J(…)等于各个点与所在簇中心的距离的平方和的均值，实际上k-means算法的过程，就是不断减小 J(…) 的过程。
3.Random Initialization
假设将原来的数据划分为三个簇，那么当选取不同的初始簇中心时，最终稳定下来的划分的簇也不一定相同，如图所示，最终产生了三种不同的划分结果。因此，为了得到全局最优解，我们需要初始化多次簇中心，然后再运行k-means算法，最后再比较哪种算法的代价 J 最小，就选取哪种分类的方式。
具体做法如下图所示：
4. 确定分类的数量 K
4.1 Elbow（手肘） method
如图所示，绘制出 cost function J 关于 K(no.of clusters)的函数图像，假如出现图中左边所示的，明显的转折点，或者称为肘的话，那么我们认为这个点对应的 K 是最合适的分类数目，当然大部分时候也有可能出现右边的情况，这个时候我们就需要采用第二种方法。
4.2 upon user’s purpose
假设你是一个衣服制造商，然后要决定到底是生产3个型号的衣服、还是5个型号的衣服，这个时候就要参考它的实际意义了，例如咨询衣服经销商关于不同尺码的销售情况，怎样销售利润高，然后再做不同的判断。