3.1.1 Kmeans聚类分割

Kmeans聚类分割是一种常用的无监督学习方法，它将数据点分成k个簇，使得每个数据点都属于其中一个簇，并且每个簇的质心尽可能接近该簇中的数据点。其步骤如下：

1. 随机初始化k个质心（centroid）。
2. 将每个数据点分配到距离最近的质心所在的簇中。
3. 对于每个簇，重新计算其质心。
4. 重复步骤2和步骤3，直到质心的变化小到一定程度或者达到预设的迭代次数。

Kmeans算法的优点在于简单易懂，计算速度快，适用于大规模数据，但是需要预先指定簇的个数k，并且对初始质心的选择较为敏感。此外，由于其基于欧氏距离计算簇的距离，因此对于非凸形状的簇分割效果不佳。