k-means无监督聚类算法

k-means是一种经典的无监督聚类算法，其主要思想是将数据划分为k个簇，使得同一个簇内的数据点之间相似度较高，而不同簇之间的相似度较低。k-means算法的流程如下：

1. 随机选择k个中心点作为初始聚类中心
2. 将每个样本点分配到距离最近的聚类中心所在的簇中
3. 重新计算每个簇的聚类中心
4. 重复执行步骤2和3，直到聚类中心不再改变或达到指定的迭代次数

其中，距离通常使用欧几里得距离或曼哈顿距离等测量方式。

k-means算法的优点是简单、快速，并且可扩展性好，但其需要预先指定簇的数量k，且对于非凸形状的数据分布效果可能不佳。