1.K-Means要完成的事情
1.1簇分类
遍历所有数据，判断其与聚类中心点的距离，将与划分到与其最近的点的一类
1.2移动聚类中心
将K个聚类中心点移动到其所在点的均值处
若出现某一个聚类中心点没有点，要么重新初始化所有的据类中心点，要么删除该点，根据实际情况选择
2.优化目标
3.如何随机初始化？如何避开局部最优？
保证K<m,然后从训练样本中随机挑选K个样本作为聚类中心点。（k在2-10之间时，多次随机初始化可以得到局部最优，大于10后，多次随机初始化的效果不太好）
4.如何选择K的值？
观察可视化的图、聚类算法的输出等，但是K的值并不唯一
肘部法则：从k=1开始依次递增，画出k与代价函数J的折线图，找到曲线类似肘子的位置即为合理的分类数量，理想情况下如左图，但实际会出现右图的情况，这时这个方法就不适用了。最好的方法就是根据实际需要来确定。