机器学习算法一之基于K均值聚类算法实现数据聚类及二维图像像素分割

K均值聚类算法

1.含义及原理

K均值(k-means)聚类算法，顾名思义首先给定K个初始均值作为聚类中心，然后通过分析其他n-k个点同K个聚类中心的距离进行分类，然后对集群求取新的均值作为聚类中心，由此迭代，知道K个不同类别之间的类间距离满足设定阈值条件为止，可应用于一维数据分析和语义分割场景

算法原理及过程：
输入：n个样本的集合
输出：样本集合的聚类
过程：
（1）初始化。随机选择k的样本作为初始聚类的中心。
（2）对样本进行聚类。针对初始化时选择的聚类中心，计算所有样本到每个中心的距离，默认欧式距离，将每个样本聚集到与其最近的中心的类中，构成聚类结果。
（3）计算聚类后的类中心，计算每个类的质心，即每个类中样本的均值，作为新的类中心。
（4）然后重新执行步骤（2）（3），直到聚类结果不再发生改变。

K均值聚类算法的时间复杂度是O(nmk),n表示样本个数，m表示样本维数，k表示类别个数。

2.一维数据进行K均值聚类处理

来自百度百科：