Kmeans算法属于无监督学习的一种聚类算法，这种算法的目的为：在数据所属类别及类别数量不明确的前提下，依据数据自身的特点对数据进行聚类。聚类过程中，对于类别数量k的选取，需要一定的先验知识，也可根据“类内间距小，类间间距大“(一种聚类算法的理想情况)为目标进行实现。

一、Kmeans均值聚类算法优缺点

优点：容易实现。

缺点：收敛到局部最小值，在大规模数据集上收敛较慢

适用数据类型：数据型数据

二、Kmeans均值聚类算法

Kmeans均值聚类算法主要思想是:在给定K值和K个初始类簇中心点的情况下，把每个点(亦即数据记录)分到离其最近的类簇中心点所代表的类簇中，所有点分配完毕之后，根据一个类簇内的所有点重新计算该类簇的中心点(取平均值)，然后再迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数。

具体算法描述如下：

(1)适当选择k个类的初始中心，最初一般为随机选取;

(2)在每次迭代中，对任意一个样本，分别求其到k个中心的欧式距离，将该样本归到距离最短的中心所在的类;

(3)利用均值方法更新该k个类的中心的值;

(4)对于所有的k个聚类中心，重复(2)(3)，类的中心值的移动距离满足一定条件时，则迭代结束，完成分类。

Kmeans聚类算法原理简单，效果也依赖于k值和类中初始点的选择。

三、Kmeans均值聚类的一般流程

1.收集数据：使用任意方法

2.准备数据：需要数据型数据来计算距离，也可以将标称型数据映射为二值型数据再用于距离计算。

3.分析数据：使用任意方法。

4.训练算法：不适用于无监督学习，即无监督学习没有训练过程。

5.测试算法：应用聚类算法，观察结果。可以使用量化的误差指标如误差平方和来评价算法的结果。

6.使用算法：可以用于所希望的任何应用，通常情况下，簇质心可以代表整个簇的数据来做出决策