An Example of K-Means Clustering K=2 Arbitrarily partition objects into k groups Update the cluster centroids Update the cluster centroids Reassign objects Loop if needed The initial data set  Partition objects into k nonempty subsets  Repeat  Compute centroid (i.e., mean point) for each partition  Assign each object to the cluster of its nearest centroid  Until no change翻译并解释

K-Means聚类的一个示例，其中K=2。首先将对象任意地分成K组，然后更新聚类中心。接着重新分配对象，并循环执行这个过程直到不需要再进行任何变化为止。

具体而言，K-Means聚类的步骤如下：
1. 首先，将原始数据集随机地分成K个非空子集。
2. 重复以下步骤，直到聚类不再发生变化为止：
- 计算每个子集的中心点，也就是该子集中所有对象的平均值。
- 将每个对象分配到离它最近的中心点所在的聚类中。
- 如果有对象的聚类发生了变化，则需要重新计算中心点并重新分配对象。

K-Means聚类是一种迭代算法，它的目标是将数据集中的对象划分到K个聚类中，使得每个对象与其所在聚类的中心点距离最小化。在实际应用中，可以通过调整K的值来控制聚类的数量。