俗話說“物以類聚，人以群分”，這句話在K-means聚類演算法裡面得到了充分的繼承。而K-means演算法的實際應用範圍可謂是大到無法估量，基本可以說，只要你想不到，沒有聚類聚不起來的東西！

       比如衣服制造商可以通過分類，把某個身高體重的人群劃為一類，然後根據這些人群的需求製作出適合尺寸的衣服，此後在網上買衣服，只需報給商家身高體重，就有相應的S\M\L碼數衣服滿足你的需求。再比如著名的谷歌（Google ）新聞版塊，就是使用了聚類演算法，每天谷歌都從網上收集上萬條新聞，然後通過機器學習分類出各種型別的新聞，把相同型別的新聞展示在同一個頁面上，使得客戶可以快速地瀏覽同一個新聞不同官方的報道。

       諸如此類，k-means聚類演算法作為容易理解而又應用廣泛的演算法，想要理解也並不難，下面我就用我自己的理解，帶你們走近k-means演算法的內心世界。

      在使用K-means之前，我們需要手動去定義一個聚類中心（K值），你不知道這是什麼東西？沒關係，請看下面這個圖。

       圖中我們可以看到，有很多分散的黑色資料點（特徵點），而我們的聚類中心（K值）就是圖上的兩個”十“字

       在例子中，我們就假設有兩個聚類中心（位置是隨機的）。

       當確定好了K值之後，我們就進入K-means演算法開始運算了，在K-means演算法裡，主要是一個內迴圈，內迴圈主要包含兩個內容：

                                              1.簇分配

                                          2.移動聚類中心

                                不知道這兩個是什麼東西沒關係，我來解釋給你聽  

       首先是聚類中心找到自己的同類，其實就是把這些特徵點分類的意思。在簇分配裡，我們把所有黑色的特徵點與兩個聚類中心的距離計算出來，得出每個點相對於兩個聚類中心的距離。然後，把距離聚類中心點最近的特徵點塗成屬於自己的顏色，就成為了一個子集（或者叫簇），結果如圖所示。

                        類似一個用一個圓，把屬於自己的特徵點全部包起來

                                                       這個就是簇分配

       當所有的聚類中心都找到了屬於自己的同類之後，就要走過去擁抱歡呼順便一起哭一下了，具體的方法是：在自己的簇類裡，計算出簇內樣本的平均值，然後讓聚類中心走到平均值相應的位置。

        如圖所示

                           當聚類中心移動之後，所有的特徵點將全部變回黑色

       然後又重新開始從第一個步驟開始迴圈，先計算每個特徵點相對於兩個聚類中心的距離，距離最近的塗上自己的顏色（簇分配），跑上去擁抱（移動聚類中心），特徵點又變回黑色，重新計算......

                程式一直在迴圈，一直迴圈到當兩個聚類中心移動到圖下這個位置

      這時，不管程式再怎麼迴圈，聚類中心的位置已經不再發生改變了，這時候，我們就可以說K均值已經聚合（或者收斂），k-means聚類演算法就已經完成了它的任務，分類完成。

      最後，程式退出k-means演算法的內迴圈，開始下一步其他操作。