K-Means 算法是最简单的一种聚类算法，属于无监督学习算法。
聚类和分类最大的不同在于：分类的目标是事先已知的，而聚类则不一样，聚类事先不知道目标变量是什么，类别没有像分类那样被预先定义出来。
假设我们的样本是 {x^(1), x^(2), x^(3),……, x^(m) }，每个 x^(i) ∈ R^n，即它是一个维向量。现在用户给定一个 k 值，要求将样本聚类成 k 个类簇。在这里，我们把整个算法成为聚类算法，聚类算法的结果是一系列的类簇。
步骤：
输入：样本集 D，簇的数目 k，最大迭代次数N；
输出：簇划分（ k 个簇，使平方误差最小）
（1）为每个聚类选择一个初始聚类中心；
（2）将样本集按照最小距离原则分配到最邻近聚类；
（3）使用每个聚类的样本均值更新聚类中心；
（4）重复步骤（2）（3），直到聚类中心不再发生变化；
（5）输出最终的聚类中心和 k 个簇划分。
涉及距离的计算，最常用的距离是欧氏距离（Euclidean Distance），公式为：
此外，还有闵可夫斯基距离：
曼哈顿距离（也称为城市街区距离，City Block Distance）：
优点：
（1） 算法简单，容易实现
（2） 算法速度很快
（3） 对处理大数据集，该算法是相对可伸缩的和高效率的，因为它的复杂度大约是O（NKt），其中，N 为数据对象的数目，t 为迭代的次数。一般来说， K <<N ，t <<N。这个算法通常局部收敛。
（4） 算法尝试找出使平方误差函数值最小的k个划分。当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好。
缺点：
（1） K是事先给定的，一个合适的 K 值难以估计。
（2） 在 K-Means 算法中，首先需要根据初始类簇中心来确定一个初始划分，然后对初始划分进行优化。初始类簇中心的选择对聚类结果有较大的影响。一旦选择的不好，可能无法得到有效的聚类结果。可以使用遗传算法来选择合适的初始类簇中心。
（3） 算法需要不断地进行样本分类调整，不断计算调整后的新的类簇中心，因此当数据量非常大的时，算法的时间开销是非常大的。可以利用采样策略，改进算法效率。也就是初始点的选择，以及每一次迭代完成时对数据的调整，都是建立在随机采样的样本数据的基础之上，这样可以提高算法的收敛速度。