k-means、k-means++，核k-means

先说一下欧氏距离
二维空间公式：

三维空间的公式：

n维空间的公式

经典k-means算法

关于聚类中心数目（K值）的选取，方法为：Elbow Method：
通过绘制K-means代价函数与聚类数目K的关系图，选取直线拐点处的K值作为最佳的聚类中心数目。
但最好还是从实际问题出发，人工指定比较合理的K值，通过多次随机初始化聚类中心选取比较满意的结果。

k-means++算法

注意：轮盘法。

核k-means算法

核k-means：就是将数据点都投影到了一个高维的特征空间中（为了凸显不同样本中的差异），然后再在这个高维的特征空间中，进行传统的k-means聚类。
输入：所有数据点A，聚类个数k
输出：k个聚类中心点
1：输入数据通过核函数映射到高维空间得到矩阵B
2：对B进行标准k-均值聚类