聚類算法
K-Means是一種廣泛使用的聚類算法，屬於無監督式學習。
K-Means算法的主要目標是找到一箇數據集中K個（K是用戶指定的）非重疊的子集，使得同一個子集中的數據點具有較高的相似度，而不同子集之間的數據點相似度較低。K-Means算法通過計算數據點之間的距離來確定數據點之間的相似性，並以此將數據點分配到不同的簇中。每個簇由該簇中所有點的質心（即這些點的中心）表示。
K-Means算法的核心步驟包括：
首先隨機選擇K個數據點作爲初始的簇中心。
接着，將每個數據點分配給與其最近的簇中心距離最近的那一箇簇。
然後，更新每個簇的中心爲該簇中所有點的質心。
重複以上步驟，直到簇中心不再變化或達到預設的迭代次數。
K-Means算法的優點包括簡單易懂、適用於大規模數據、可擴展性強，以及較好的聚類效果。然而，它也有一些缺點，如對初始值敏感、只能處理數值型數據、對異常值敏感等。