聚类算法
1.K-means
k-means——非监督学习中的聚类算法
（1）设定一个初始值k，在数据点中选择k个点作为质心（即为聚类中心），这里的k即为我们希望的将数据点经过聚类得到的k个分组。
（2）计算数据点中的其他点到质心（Centroid）的距离，距离谁近就选谁。（这样下来就完成了第一次的聚类）
（3）根据上一次的聚类结果，通过算法选出新的质心（计算每组中数据点的x和y的均值，得到了一个“虚拟”的质心）
（4）再次计算各数据点到新的质心之间的距离，进行聚类，直到分组结果和上一次的分组结果完全一致或者相同即为聚类成功。
如果新的质心和原先的质心之间的距离小于某一个设定的阈值，就意味着新的质心的位置变化不大，趋于稳定也可以说是收敛了，那么聚类达到期望的结果，算法终止，否则重复3-4，直到分组结果和上一次的一致。
参考博客：https://blog.****.net/sinat_36710456/article/details/88019323
具体流程
该图来自于：https://www.cnblogs.com/en-heng/p/5173704.html
缺点
局部最优，聚类结果容易受到初始质心的影响；也会受到K值选取的影响。