k-means算法伪码

以下是 k-means 算法的伪代码：

(1) 从数据集中随机选择 k 个点作为初始聚类中心
(2) repeat
(3)     对数据集中的每个点，计算其所属的聚类中心
(4)     对每个聚类，重新计算其聚类中心
(5) until 聚类中心不再发生改变或达到最大迭代次数

具体实现时，第三步和第四步可以分别用以下伪代码实现：

第三步：

for i = 1 to n do
    minDist = +∞
    for j = 1 to k do
        dist = distance(point[i], centroid[j])
        if dist < minDist then
            minDist = dist
            point[i].cluster = j
    end
end

第四步：

for j = 1 to k do
    sum = 0
    count = 0
    for i = 1 to n do
        if point[i].cluster = j then
            sum = sum + point[i]
            count = count + 1
        end
    end
    if count > 0 then
        centroid[j] = sum / count
    end
end

其中，`distance(x, y)` 表示计算向量 x 和向量 y 之间的距离，`point[i]` 表示数据集中的第 i 个点，`point[i].cluster` 表示第 i 个点所属的聚类编号，`centroid[j]` 表示第 j 个聚类的中心。