K-means理论步骤

K-means算法具体步骤：

1、数据预处理：剔除离群点、数据归一化、数据标准化

数据预处理是数据挖掘或机器学习一定要进行的一个步骤。因为我们讨论的是算法，所有的算法一定要有一个输入，这个输入就来源于数据。输入的数据通常是在真实的情况下采集而来的(我个人理解为就像淘金一样，要把金子筛出来)，既然是真实的数据，难免就会有一些不完美的情况。数据预处理的目的就是通过这种预加工操作，使得这些数据可以满足算法的输入的需要。

剔除离群点：剔除离群点是指在数据预处理过程中，删除数据集中的离群点，以使模型更准确地预测。离群点是指与其他数据点明显不同的数据点，通常与大多数数据点有明显的差异。剔除离群点的目的是为了减少噪声，并使模型更加准确。

数据归一化：比如说我们在测量距离的时候，有可能会用  m  作为单位，也有可能会用  km  作为单位，这样的话采集的数值会有很大的差异。所以为了消除这样的差异，我们需要将数据统一放缩到0-1之间。之所以叫归一化，是因为要把它的值域限定到0-1之间。

数据标准化：将数据变换为均值为0，标准差为1的分布

2、初始化k个中心点

3、定义损失函数

4、迭代到算法收敛为止