简述K-means聚类的算法流程

K-means聚类算法是一种无监督学习算法，将数据集中的样本分成K个簇，每个簇包含的样本彼此相似，而不同簇中的样本差异较大。其算法流程如下：

1. 从样本中随机选择K个样本作为初始簇心；

2. 对于每个样本，计算其与K个簇心之间的距离，将该样本归属到距离最近的簇心所在的簇中；

3. 对于每个簇，重新计算其簇心，即将该簇中样本的均值作为新的簇心；

4. 重复2、3步骤，直到簇心不再发生变化或达到最大迭代次数。

K-means聚类算法的优点是简单、易于理解和实现，适用于大规模数据集。但是，它需要预先确定聚类的个数K，且对初始簇心的选取比较敏感，容易陷入局部最优解。