K均值聚类（k-means）是基于样本集合划分的聚类算法。
K均值算法把样本划分为k个子集，构成k个类，将所有样本分到k个类中，每个样本到其所属类的中心点（质心）距离最小，这就是k均值聚类，同时，因为一个样本仅属于一个类，也表示了k均值聚类的准确性与便捷性。
先设定一个场景：某班有个6人数学学习小组，学期结束后，老师要根据学生期中期末两次考试成绩高低将小组成员分成两部分（人数或相同或不同）。
若用将每个人两次考试成绩求平均值分类的方法，那么以什么为划分两部分的基础呢？
2）在图表中任意选取2个基准点（分k部分就取k个基准点），将每个数据点与这两个数据点直线距离进行比较，到A点近的归为A组（簇），反之则到B组（簇）。
（横轴与纵轴分别代表两次考试的成绩，黄色大点代表任意选取的两个基准点）
3）通过计算计算出A组（簇）与B组（簇）的中心点，作为下一次分类的基准点，重复第二步，得到最终分类结果。
总结来说，K均值聚类就是输入n个样本，随后不断寻找k个质心，得出聚类结果的过程。
2）当结果簇是密集的，而簇与簇之间区别明显时, 它的效果较好。
1）K均值算法对初始选取的质心点是敏感的，不同的随机种子点得到的聚类结果完全不同，对结果影响很大。
上述仅为对K均值聚类法的初步探讨，并非对数学原理的具体讲述。
聚类分析是一种重要的人类行为，我们每个人实际上在
潜
意识
中就运用聚类模式来学会如何区分猫狗、动物植物。人们在许多领域都对K均值进行深入研究，使其2可以广泛运用在生活中，也是在统计、分类数据时的重要帮手。
以上，只是停留在基础浅显的层面。不同方法适合于不同类型的分析，各种聚类方法得出不同的聚类效果，将吸引着我们一起去探讨、挖掘。
