k中心点算法与k-means

k中心点算法和k-means算法是两个不同的算法，但它们都是基于距离的聚类方法，且有相似之处。下面是它们的不同之处：

1. 聚类中心的选择不同：k-means算法中，初始聚类中心是随机选择的，而k中心点算法中，聚类中心是人为选择的。

2. 算法的停止条件不同：k-means算法中，当所有点所属的簇不再发生变化时，算法停止；而k中心点算法中，当聚类中心不再发生变化或簇内平均距离小于某一阈值时，算法停止。

3. 对噪声数据的处理不同：k-means算法对噪声数据敏感，可能会将其归为某个簇中，而k中心点算法通过距离判定，将噪声数据归为单独的簇。

4. 簇的大小不同：k-means算法中，每个簇的大小可能不同，可能存在某个簇包含大部分数据点；而k中心点算法中，每个簇大小相等。

总之，k中心点算法和k-means算法都是常用的聚类算法，可以根据具体应用场景选择合适的算法。