K-MEANS演算法:

輸入：聚類個數k，以及包含 n個數據物件的資料庫。

輸出：滿足方差最小標準的k個聚類。

處理流程：       

（1）  從 n個數據物件任意選擇 k 個物件作為初始聚類中心；

（2）  迴圈（3）到（4）直到每個聚類不再發生變化為止

（3）  根據每個聚類物件的均值（中心物件），計算每個物件與這些中心物件的距離；並根據最小距離重新對相應物件進行劃分；

（4）  重新計算每個（有變化）聚類的均值（中心物件）

k-means 演算法接受輸入量 k ；然後將n個數據物件劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的物件相似度較高；而不同聚類中的物件相似度較小。聚類相似度是利用各聚類中物件的均值所獲得一個“中心物件”（引力中心）來進行計算的。

k-means 演算法的工作過程說明如下：首先從n個數據物件任意選擇 k 個物件作為初始聚類中心；而對於所剩下其它物件，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然 後再計算每個所獲新聚類的聚類中心（該聚類中所有物件的均值）；不斷重複這一過程直到標準測度函式開始收斂為止。一般都採用均方差作為標準測度函式. k個聚類具有以下特點：各聚類本身儘可能的緊湊，而各聚類之間儘可能的分開。