K-均值聚类算法是一种无监督学习算法，用于将数据集分成 K 个不同的组，以最小化每组内部的方差。
该算法包括以下步骤：
1.初始化：随机选择 K 个数据点作为初始聚类中心。
2.分配：将每个数据点分配到与其最近的聚类中心。
3.更新：根据分配的数据点重新计算每个聚类的中心。
4.继续迭代：重复执行步骤 2 和 3 直到聚类中心稳定或达到预定的迭代次数。
5.输出：最终得到的 K 个聚类。
优点：
- 简单、易于实现和理解。
- 可以处理大数据集。
- 可以用于聚类分析、数据预处理、图像分割等领域。
缺点：
- 需要预先指定 K 值，且对 K 的选择非常敏感。
- 对异常值非常敏感。
- 结果可能受到初始聚类中心的影响。
- 只能处理数值型数据，而不能处理类别型数据。
总之，K-均值聚类算法是一种能够有效地识别数据集中的不同群体的算法，但需要注意其缺点。在实际应用中，需要根据数据特点和需求选择适当的聚类算法。
假设有以下数据集：
| 样本点 | x1 | x2 |
|---|---|---|
| 数据点1 | 1 | 1 |
| 数据点2 | 1 | 2 |
| 数据点3 | 2 | 2 |
| 数据点4 | 5 | 4 |
| 数据点5 | 6 | 5 |
| 数据点6 | 7 | 5</ |